<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          時序模型方向204篇論文大整理!包含時序預(yù)測/時序Transformer/時序大模型等最新研究

          共 8740字,需瀏覽 18分鐘

           ·

          2024-05-22 16:16

          時空預(yù)測引領(lǐng)了新的熱點,時間序列預(yù)測領(lǐng)域的首個大模型 TimeGPT 引起業(yè)界熱議,Transformer+時序,擴(kuò)散模型+時序更是頂會新方向大熱“種子”選手,時序+多方向正在成為這個AI界矚目的黑馬!


          本文整理了時間序列的時序預(yù)測 / 時序-Transformer / 時序-大模型 / 時序-擴(kuò)散四大方向的最新論文204篇。


          掃碼回復(fù)“時序”領(lǐng)204篇論文合集



          時間序列預(yù)測論文



          ICLR2024 

          ClimODE: Climate Forecasting With Physics-informed Neural ODEs


          AAL2024

          MSGNet: Learning Multi-Scale Inter-Serjes Correlations for Multivariate Time Series Forecasting


          NeurIPS2023

          Frequency-domain MLPs are More Effective Lea深度之眼整理rners in Time Series Forecasting


          ICML 2023

          Learning Deep Time-index Models for Time S深度之眼整理eries Forecasting 


          KDD 2023

          TSMixer: Lightweight MLP-Mixer Model fo深度之眼整理r Multivariate Time Series Forecasting 


          因篇幅有限 僅展示前5篇


          掃碼回復(fù)“時序”領(lǐng)204篇論文合集




          時間序列+transformer必讀論文


          1.iTransformer: InvertedTransformers Are Effective for Time Series Forecastina


          2.Pathformer: Multi- Scale Transformers  With Adaptive Pathways For Time Series Forecasting


          3.SCALEFORMER: ITERATIVE MULTI-SCALE REFINING TRANSFORMERS FOR TIME

          SERIESFORECASTING


          4.InParformer: Evolutionary Decomposition Transformers with Interactive Parallel Attentionfor LongTerm Time Series Forecasting


          5.ContiFormer: Continuous-Time Tansformer for Irreqular Time Series Modeling


          因篇幅有限 僅展示前5篇

          掃碼回復(fù)“時序”領(lǐng)204篇論文合集




          深度學(xué)習(xí)+時間序列預(yù)測必讀論文



          卷積神經(jīng)網(wǎng)絡(luò)方法(4種算法模型)


          1.CNN

          Recent advances in convolutional neural networks


          2.WaveNet-CNN

          Conditional time series forecasting with convolutional neural networks


          3.Kmeans-CNN

          Short-term load forecasting in smart grid: a combined CNN and K-means clustering approach


          4.TCN

          An empirical evaluation of generic convolutional and recurrent networks for sequence modeling

          因篇幅有限 僅展示前4篇


          循環(huán)神經(jīng)網(wǎng)絡(luò)方法(3種算法模型)


          1.RNN

          Bidirectional recurrent neural networks


          2.LSTM(長短期記憶網(wǎng)絡(luò))

          Long short-term memory


          3.GRU(門控循環(huán)單元)

          Learning phrase representations using RNN encoder- decoder for statistical machine translation


          Transformer方法(11種算法模型)


          1.Transformer

          Attention-based models for speech recognition


          2.BERT

          BERT: pre-training of deep bidirectional transformers for language understanding


          3.AST

          Adversarial sparse transformer for time series forecasting


          4.Informer

          Informer: beyond efficient transformer for long sequence time-series forecasting


          因篇幅有限 僅展示部分


          掃碼回復(fù)“時序”領(lǐng)204篇論文合集




          時間序列新突破:大模型+時間序列


          大模型處時間序列


          1.基于Promtpt的方法

          Leveraging Language Foundation Models for HumanMobility Forecasting


          2.將時間序列進(jìn)行離散化處理

          AudioLM: a Language Modeling Approach to Audio Generation


          3.時間序列-文本對齊代表論文

          Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification


          4.引入視覺信息

          Leveraging Vision-Language Models for Granul深度之眼整理tar Market Change Prediction


          5.大模型工具

          Unleashing the Power of  Shared Label Structures for Human Activity Recognition


          訓(xùn)練時間序列領(lǐng)域大模型

          TimetGPT-1


          掃碼回復(fù)“時序”領(lǐng)204篇論文合集



          針對目前的大熱時序,我們請來了頂會審稿人chichi老師解讀時空/時序預(yù)測研究現(xiàn)狀與近期熱點。


          課程大綱:


          - 以GNN為主的時空預(yù)測模型 

          • 經(jīng)典GNN時空預(yù)測算法(如STGCN, GraphWaveNet) 

          • 近兩年GNN時空預(yù)測算法 

          • 近期GNN時空預(yù)測算法研究熱點


          - 以Transformer為主的時序預(yù)測模型 

          • 經(jīng)典Transformer時序預(yù)測算法(如Autoformer,F(xiàn)edformer)

          • 近兩年Transformer時序預(yù)測算法 

          • 近期Transformer時序預(yù)測算法研究熱點


          - LLM在時空/時序預(yù)測上的應(yīng)用

          • 微調(diào)LLM做時空時序預(yù)測

          • 語言增強(qiáng)的時序/時空預(yù)測模型

          • LLM做時序預(yù)測的未來挑戰(zhàn)與研究方向


          - 針對時序新熱點和應(yīng)用總結(jié)


          掃碼解鎖

          時序最新熱點解讀直播課


          另外,我們準(zhǔn)備了32節(jié)時間序列系列課程基礎(chǔ)上課程分為五個模塊。


          • 模塊一基礎(chǔ)認(rèn)識數(shù)據(jù)科學(xué)家

          • 模塊二進(jìn)階時間序列預(yù)測概論+論文和代碼講解

          • 模塊三項目實戰(zhàn)基于股價和零售的時序項目實戰(zhàn)

          • 模塊四比賽實戰(zhàn)數(shù)據(jù)科學(xué)入門賽+回答準(zhǔn)確性預(yù)測賽

          • 模塊五時序前沿前沿機(jī)器學(xué)習(xí)與時序+時序分析任務(wù)與最新應(yīng)用場景


          0.01元解鎖《時間序列系列課》

          32節(jié)課+37h+部分課件+部分課堂作業(yè)及代碼




          一、時序課程介紹


          01- 認(rèn)識數(shù)據(jù)科學(xué)家

          了解數(shù)據(jù)科學(xué)家的概念,崗位分布、職責(zé)、技能、薪資、職業(yè)發(fā)展路線等  

          —課程時長:1小時



          02-時間序列預(yù)測基礎(chǔ)

          1:時間序列預(yù)測入門

          2:時間序列預(yù)測代碼實踐

          3:Forecasting at Scale論文講解+代碼講解

          —課程時長:6小時


          03-時序項目實戰(zhàn)

          1:夯實算法基礎(chǔ)、熟悉算法原理,通過代碼實操解決問題

          2:系統(tǒng)掌握時序分析方法以及預(yù)測方法

          —課程時長:8小時



          04-兩場時序比賽實戰(zhàn)

          1:數(shù)據(jù)科學(xué)入門賽

          2:回答準(zhǔn)確性預(yù)測賽


          —課程時長:20小時


          05-時序前沿項目

          前沿機(jī)器學(xué)習(xí)與時序

          時序分析任務(wù)與最新應(yīng)用場景

          —課程時長:2小時



          這次更新的時序課程時長37小時,總共32節(jié)0.01元即可解鎖。

          0.01元解鎖《時間序列系列課》

          32節(jié)課+37h+部分課件+部分課堂作業(yè)及代碼


          瀏覽 70
          點贊
          評論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報
          評論
          圖片
          表情
          推薦
          點贊
          評論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  热久久免费视频 | se01亚洲 | 欧美中文字幕在线播放 | 欧美午夜操大逼 | 男人天堂b|