Time series Analysis using LSTM RNN and GRU

Zeitreihenanalyse mit LSTM-RNN und GRU

Zeitreihenanalyse mit LSTM, RNN und GRU mit PyTorch

Hier implementiere ich einige der RNN-Strukturen wie RNN, LSTM und GRU, um ein Verständnis für Deep-Learning-Modelle für Zeitreihenprognosen aufzubauen. Ich habe an einigen der Feature-Engineering-Techniken gearbeitet, die in der Zeitreihenvorhersage weit verbreitet sind, wie z. B. One-Hot-Codierung, Verzögerung und zyklische Zeitfunktionen. Die verwendeten Bibliotheken sind Scikit-learn, Pandas und PyTorch, eine Open-Source-Bibliothek für maschinelles Lernen. Ich habe diesen großartigen Artikel verfolgt. Weitere Details finden Sie hier. Hier erfahren Sie ausführliche Informationen hierzu. Der von mir verwendete Zeitreihendatensatz stammt aus den stündlichen Energieverbrauchsdaten von PJM, einem univariaten Zeitreihendatensatz von mehr als 10 Jahren stündlicher Beobachtungen, die in verschiedenen US-Regionen gesammelt wurden. Von allen Dateien arbeite ich mit den PJM-Ost-Regionsdaten, die ursprünglich die stündlichen Energieverbrauchsdaten von 2001 bis 2018 enthalten, aber Sie können jeden beliebigen Datensatz verwenden.

Datenverteilung:

RNN-Ergebnisse:

LSTM-Ergebnisse:

GRU-Ergebnisse: