Time series Analysis using LSTM RNN and GRU

Análise de série temporal usando LSTM-RNN e GRU

Análise de série temporal usando LSTM, RNN e GRU com PyTorch

Aqui estou implementando algumas das estruturas RNN, como RNN, LSTM e GRU para construir uma compreensão de modelos de aprendizagem profunda para previsão de séries temporais. Trabalhei em algumas das técnicas de engenharia de recursos que são amplamente aplicadas na previsão de séries temporais, como codificação one-hot, atraso e recursos de tempo cíclico. As bibliotecas usadas são Scikit-learn, Pandas e PyTorch, uma biblioteca de aprendizado de máquina de código aberto. Eu segui este ótimo artigo, você pode encontrar mais detalhes aqui no link. Ele lhe dará muitos detalhes sobre isso. O conjunto de dados de série temporal que estou usando vem dos dados de consumo de energia por hora do PJM, um conjunto de dados de série temporal univariado de mais de 10 anos de observações horárias coletadas em diferentes regiões dos EUA. De todos os arquivos, estou trabalhando com os dados da região Leste do PJM, que originalmente contém os dados de consumo de energia por hora de 2001 a 2018, mas você pode usar qualquer conjunto de dados.

Distribuição de dados:

Resultados RNN:

Resultados LSTM:

Resultados GRU: