多特征下LSTM模型的实现
在长短时记忆网络中，会添加各时段的特征信息，通过构建多变量因素条件下的预测模型，可以预测客流分布的时空相关性，在模型的输入特征中使用时间序列的特征，如前15分钟的客流量，前30分钟的客流，前一天该时段的客流量等信息，通过不同时间粒度的采集，在深度学习中会有更好的表现效果。
时间序列特征：
前15分钟客流量，前30分钟客流量，前45分钟客流量，前60分钟客流量，前一天客流量，前一周同时间段客流量，前两周同时间段客流量。
空间序列特征：
天气类型，最高气温，最低气温，站点信息，站点类型，日期类型，节假日类型。
https://tianchi.aliyun.com/competition/entrance/231641/introduction
https://zhuanlan.zhihu.com/p/67832773
https://www.datacamp.com/tutorial/tutorial-time-series-forecasting
Time Series Forecasting Methods
Time series forecasting can broadly be categorized into the following categories:
Classical / Statistical Models — Moving Averages, Exponential Smoothing, ARIMA, SARIMA
Machine Learning — Linear Regression, XGBoost, Random Forest, or any ML model with reduction methods
Deep Learning — RNN, LSTM
https://www.kaggle.com/learn/time-series 传统的
https://www.kaggle.com/code/thebrownviking20/everything-you-can-do-with-a-time-series/notebook
https://blog.csdn.net/weixin_46649052/article/details/115406977
https://www.math.pku.edu.cn/teachers/lidf/course/fts/ftsnotes/html/_ftsnotes/ftsnotes.pdf
https://zhuanlan.zhihu.com/p/22113312
https://uqer.datayes.com/v3/community/share/5790a091228e5b90cda2e2ea
https://otexts.com/fppcn/holt-winters.html
https://zhuanlan.zhihu.com/p/421710621
deepAR
https://zhuanlan.zhihu.com/p/348889806
https://www.kaggle.com/code/satishgunjal/tutorial-time-series-analysis-and-forecasting/notebook
https://github.com/jiwidi/time-series-forecasting-with-python
https://github.com/ChuanyuXue/The-Purchase-and-Redemption-Forecast-Challenge-baseline
若有收获，就点个赞吧
0 人点赞
