深度学习时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战

Posted Data+Science+Insight

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了深度学习时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战相关的知识,希望对你有一定的参考价值。

深度学习时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战

GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network, RNN)的一种。和LSTM(Long-Short Term Memory)一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。

GRU和LSTM在很多情况下实际表现上相差无几,那么为什么我们要使用新人GRU(2014年提出)而不是相对经受了更多考验的LSTM(1997提出)呢。

下图1-1引用论文中的一段话来说明GRU的优势所在。

# 加载包和函数;

import datetime as dt
import os
import war

以上是关于深度学习时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战的主要内容,如果未能解决你的问题,请参考以下文章

深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战

深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测空气质量(PM2.5)+代码实战

深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测大气压( air pressure)+代码实战

深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战

深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战

深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战