Time series Analysis using LSTM RNN and GRU

อนุกรมเวลา-การวิเคราะห์โดยใช้-LSTM-RNN-และ-GRU

การวิเคราะห์อนุกรมเวลาโดยใช้ LSTM, RNN และ GRU พร้อม PyTorch

ที่นี่ ฉันกำลังนำโครงสร้าง RNN บางส่วนไปใช้ เช่น RNN, LSTM และ GRU เพื่อสร้างความเข้าใจเกี่ยวกับโมเดลการเรียนรู้เชิงลึกสำหรับการพยากรณ์อนุกรมเวลา ฉันได้ทำงานกับเทคนิคทางวิศวกรรมคุณลักษณะบางอย่างที่ใช้กันอย่างแพร่หลายในการพยากรณ์อนุกรมเวลา เช่น คุณลักษณะการเข้ารหัสแบบร้อนครั้งเดียว ความล่าช้า และวัฏจักรเวลา ไลบรารีที่ใช้ ได้แก่ Scikit-learn, Pandas และ PyTorch ซึ่งเป็นไลบรารีการเรียนรู้ของเครื่องแบบโอเพ่นซอร์ส ฉันได้ติดตามบทความดีๆ นี้แล้ว คุณสามารถดูรายละเอียดเพิ่มเติมได้จากลิงก์นี้ มันจะให้รายละเอียดมากมายเกี่ยวกับเรื่องนี้แก่คุณ ชุดข้อมูลอนุกรมเวลาที่ฉันใช้นั้นมาจากข้อมูลการใช้พลังงานรายชั่วโมงของ PJM ซึ่งเป็นชุดข้อมูลอนุกรมเวลาที่ไม่แปรผันของการสังเกตการณ์รายชั่วโมงนานกว่า 10 ปี ซึ่งรวบรวมจากภูมิภาคต่างๆ ของสหรัฐอเมริกา จากไฟล์ทั้งหมด ฉันกำลังทำงานกับข้อมูลภูมิภาค PJM East ซึ่งเดิมมีข้อมูลการใช้พลังงานรายชั่วโมงตั้งแต่ปี 2544 ถึง 2561 แต่คุณสามารถใช้ชุดข้อมูลใดก็ได้

การกระจายข้อมูล:

ผลลัพธ์ RNN:

ผลลัพธ์ LSTM:

ผลลัพธ์ของ GRU: