Time series Analysis using LSTM RNN and GRU

Análisis-de-series-temporales-utilizando-LSTM-RNN-y-GRU

Análisis de series de tiempo usando LSTM, RNN y GRU con PyTorch

Aquí estoy implementando algunas de las estructuras RNN, como RNN, LSTM y GRU para comprender los modelos de aprendizaje profundo para el pronóstico de series de tiempo. He trabajado en algunas de las técnicas de ingeniería de características que se aplican ampliamente en el pronóstico de series de tiempo, como la codificación one-hot, el retraso y las características de tiempo cíclicas. Las bibliotecas utilizadas son Scikit-learn, Pandas y PyTorch, una biblioteca de aprendizaje automático de código abierto. He seguido este gran artículo. Puedes encontrar más detalles aquí. Le dará muchos detalles sobre esto. El conjunto de datos de series temporales que estoy usando proviene de los datos de consumo de energía por hora de PJM, un conjunto de datos de series temporales univariadas de más de 10 años de observaciones horarias recopiladas en diferentes regiones de EE. UU. De todos los archivos, estoy trabajando con los datos de la región PJM Este, que originalmente tiene los datos de consumo de energía por hora de 2001 a 2018, pero puedes usar cualquier conjunto de datos.

Distribución de datos:

Resultados de RNN:

Resultados de LSTM:

Resultados del GRU: