# DeepLearningForTSF

**Repository Path**: cep/DeepLearningForTSF

## Basic Information

- **Project Name**: DeepLearningForTSF
- **Description**: 深度学习以进行时间序列预测
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 7
- **Created**: 2025-07-23
- **Last Updated**: 2025-07-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# DeepLearningForTimeSeriesForecasting
通过深度学习技术以进行时间序列预测
## 序言  
+ ***7天迷你课***  
```
  3.用于时间序列预测的MLP  
  4.用于时间序列预测的CNN  
  5.用于时间序列预测的LSTM  
  6.编码器-解码器LSTM多步预测  
  7.用于时间序列预测的CNN-LSTM  
```  
## 一、预测趋势和季节性（单变量）
### 1.基于SARIMA预测的网格搜索超参数优化  
```
  1.网格搜索框架  
  2.无趋势和季节性研究  
  3.趋势性研究  
  4.季节性研究  
  5.趋势和季节性研究  
```  
+ ***1_1.为时间序列预测创建ARIMA模型***  
```
  1.数据预览  
  2.预览一下数据的自相关图  
  3.预览残差图和残差的密度分布图  
  4.滑动窗口预测ARIMA模型  
```  
+ ***1_2.如何网格搜索ARIMA超参数***  
```
  每日女性出生研究  
  洗发水销售研究  
```
+ ***1_3.自相关和篇自相关介绍***  
```
  1.自相关ACF图  
  2.偏自相关PACF图  
``` 
### 2.基于三重指数平滑预测的网格搜索超参数优化 
```
  1.网格搜索框架  
  2.无趋势和季节性研究  
  3.趋势性研究  
  4.季节性研究  
  5.趋势和季节性研究  
```  
### 3.单变量时间序列预测开发深度学习模型  
```
  2.多层感知器模型  
  3.卷积神经网络模型_CNN  
  4.递归神经网络模型_LSTM  
  5.递归神经网络模型_CNN+LSTM  
  6.递归神经网络模型_ConvLSTM2D  
```
## 二、几种模型类型
### 1.用于时间序列预测的MLP
```
  01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据
  02.(多步+单变量输入)_(单步+单变量输出)_MLP模型
  03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据
  04.(多步+多变量输入)_(单步+单变量输出)_MLP模型
  05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据
  06.(多步+多变量输入)_(单步+多变量输出)_MLP模型
  07.多路输入_(多步+多变量输入)_(单步+单变量输出)_MLP模型
  08.多路输出_(多步+多变量输入)_(单步+多变量输出)_MLP模型
  09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据
  10.(多步+单变量输入)_(多步+单变量输出)_MLP模型
  11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据
  12.(多步+多变量输入)_(多步+单变量输出)_MLP模型
  13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据
  14.(多步+多变量输入)_(多步+多变量输出)_MLP模型
```
### 2.用于时间序列预测的CNN
```
  01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据
  02.(多步+单变量输入)_(单步+单变量输出)_CNN模型
  03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据
  04.(多步+多变量输入)_(单步+单变量输出)_CNN模型
  05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据
  06.(多步+多变量输入)_(单步+多变量输出)_CNN模型
  07.多路输入_(多步+多变量输入)_(单步+单变量输出)_CNN模型
  08.多路输出_(多步+多变量输入)_(单步+多变量输出)_CNN模型
  09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据
  10.(多步+单变量输入)_(多步+单变量输出)_CNN模型
  11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据
  12.(多步+多变量输入)_(多步+单变量输出)_CNN模型
  13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据
  14.(多步+多变量输入)_(多步+多变量输出)_CNN模型
```
### 3.用于时间序列预测的LSTM
```
  01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据
  02.(多步+单变量输入)_(单步+单变量输出)_LSTM模型
  03.堆叠式LSTM+LSTM网络
  04.双向LSTM网络
  05.CNN+LSTM网络
  06.ConvLSTM网络
  07.(多步+多变量输入)_(单步+单变量输出)_LSTM模型
  08.(多步+多变量输入)_(单步+多变量输出)_LSTM模型
  09.(多步+单变量输入)_(多步+单变量输出)_LSTM模型
  10.Encoder-Decoder LSTM模型
  11.(多步+多变量输入)_(多步+单变量输出)_LSTM模型
  12.(多步+多变量输入)_(多步+多变量输出)_LSTM模型
```
## 三、人类活动识别（多变量分类）
### 1.如何根据智能手机数据对人类活动进行建模
```
  01.
```
## 四、时间序列案例研究
### 1.室内运动时间序列分类(KNN)
```
  01.加载数据集
  02.基本信息直方图
  03.画数据折线图，画数据最小二乘法线性拟合图
  04.将文件按照关联关系拼成train和test集合，每个文件取最后19条
  05.维度为19的数据分别代入7种模型进行评估准确性
  06.将文件按照关联关系拼成train和test集合，每个文件默认取25条，数据不足25则补0
  07.维度为25的数据分别代入7种模型进行评估准确性
  08.19和25维对比,KNN模型提升最显著,对KNN的k值网格搜索
  09.将08中效果最好的k=7的KNN模型加入评估列表
```
### 2.预测大气污染日的概率模型(决策树)
```
  1.数据特征预览
  2.将数据集中异常数据替换为0
  3.朴素的基线预测
  4.集成决策树预测模型(四种决策树对比)
  5.调整梯度提升模型的参数来提高性能
```
### 3.根据环境因素预测房间入住率(逻辑回归)
```
  01.画数据折线图观察数据
  02.将3个txt文件合并成一个
  03.制造假数据预测，作为参考系
  04.用多变量进行逻辑回归预测
  05.用单变量进行逻辑回归预测
```
### 4.使用脑电波预测眼睛睁闭(KNN)
```
  01.画出数据的折线图
  02.删除波动大于三倍标准差的异常值
  03.用KNN模型预测眼睛睁闭
  04.打乱数据顺序的预测
  05.不打乱数据顺序的预测
```
## 五、预测用电量（多变量，多步骤）
### 1.如何加载和探索家庭用电量数据
```
  01.替换文件中分号，转成csv格式
  02.8列数据的折线图
  03.将某一列数据按年分开显示
  04.2007年12个月功率的折线图
  05.2007年1月前20天功率的折线图
  06.8列数据的直方图
  07.2007-2010功率的直方图
  08.2007年12个月功率的直方图
```
### 2.机器学习的多步时间序列预测
```
  01.填充缺失数据，转换成csv
  02.将分钟级别数据合并成日级别
  03.以周为尺度，将数据分割成组
  04.用10个模型分别进行‘单变入_单变出’，前7天预测后1天
  05.使用7个模型分别对一周7天中的指定天进行预测(参考04解析)
  06.同04，可自定义输出数据是一周中的第几天，进行预测(参考04解析)
```
### 3.CNN网络的多步时间序列预测
```
  01.填充缺失数据，转换成csv
  02.将分钟级别数据合并成日级别
  03.以周为尺度，将数据分割成组
  04.CNN‘单变入_单变出’，前7天预测后7天
  05.CNN‘多变入_单变出’，前14天预测后7天
  06.CNN多路输入，‘多变入_单变出’，前14天预测后7天
```
## 六、6.预测空气污染（多变量，多步骤）
### 1.可视化和探索空气污染数据
```
  01.统计数据中的NaN值
  02.将数据按照标签分块
  03.画出数据连续图，看数据缺失情况
  04.判断每个数据块的起始时间(24小时中第几小时开始统计)分布图
  05.每个块的时间结构
  06.数据变量的分布
  07.目标块的时间结构
  08.目标变量的箱线图
  09.目标块通过柱状图看空值比例
  10.目标变量的直方图分布
```
### 2.空气污染预测的BaseLine模型
```
  01.将数据拆分成训练集和测试集
  02.用每个数据块整体的均值作为预测值
  03.用每一天中每小时的均值作为预测值
  04.用每个块的最后观察值作为预测值
  05.用每个数据块整体的中值作为预测值
  06.用每一天中每小时的中值作为预测值
```
### 3.空气污染预测的自回归模型
```
  01.将数据拆分成训练集和测试集  
  02.缺失数据展示  
  03.估算缺失数据(使用所有其他数据同一时间的中值作为估算值)  
  04.观察39列每列数据的自相关和偏相关图  
  05.建立自回归ARIMA模型(使用当前块相同小时的中值)  
  06.建立自回归ARIMA模型(使用所有块相同小时的中值)  
```
### 4.空气污染预测的多元多步机器学习模型
```
  01.将数据拆分成训练集和测试集
  02.构建监督学习型数据
  03.机器学习线性模型进行预测
  04.机器学习非线性模型进行预测
```