时间序列的深度学习模型
2019-07-02 本文已影响0人
poteman
-
Deep and confident prediction for ts at Uber
预训练LSTM的编码器和解码器网络，利用网络学习到的隐含单元的embedding作为特征，拼接上外部特征，检测异常事件。
在训练前使用LSTM编码器-解码器，然后是预测网络，输入是学习嵌入与外部特征连接
-
causal cnn因果卷积
令其只能对过去时间的输入信息进行运算，避免时间序列数据发生数据穿越；缺点是感受野比较小。
causal cnn
-
dilate cnn空洞卷积
加大感受野，让每个卷积输出都包含较大范围的信息。解决在时间序列预测中，需要较长的sequence信息依赖的问题。
dilate cnn
-
参考文献
1.Deep and Confident Prediction for Time Series at Uber笔记
2.WaveNet 分析和实现
