Time series Analysis using LSTM RNN and GRU

Analyse de séries chronologiques à l'aide de LSTM-RNN-et-GRU

Analyse de séries chronologiques à l'aide de LSTM, RNN et GRU avec PyTorch

Ici, j'implémente certaines des structures RNN, telles que RNN, LSTM et GRU, pour mieux comprendre les modèles d'apprentissage en profondeur pour la prévision de séries chronologiques. J'ai travaillé sur certaines des techniques d'ingénierie de fonctionnalités qui sont largement appliquées dans la prévision de séries chronologiques, telles que les fonctionnalités d'encodage à chaud, de retard et de temps cyclique. Les bibliothèques utilisées sont Scikit-learn, Pandas et PyTorch, une bibliothèque d'apprentissage automatique open source. J'ai suivi cet excellent article, vous pouvez trouver plus de détails ici lien. Il vous donnera de nombreux détails à ce sujet. L'ensemble de données de séries chronologiques que j'utilise provient des données de consommation horaire d'énergie de PJM, un ensemble de données de séries chronologiques univariées de plus de 10 ans d'observations horaires collectées dans différentes régions des États-Unis. À partir de tous les fichiers, je travaille avec les données de la région PJM Est, qui contiennent à l'origine les données de consommation horaire d'énergie de 2001 à 2018, mais vous pouvez utiliser n'importe quel ensemble de données.

Distribution des données :

Résultats RNN :

Résultats du LSTM :

Résultats du GRU :