网站10m数据库,建设一个个人网站不需要,网络营销推广方式包括哪些,网站后台怎么做qq群自动加1.数据集介绍
ETT(电变压器温度)#xff1a;由两个小时级数据集#xff08;ETTh#xff09;和两个 15 分钟级数据集#xff08;ETTm#xff09;组成。它们中的每一个都包含 2016 年 7 月至 2018 年 7 月的七种石油和电力变压器的负载特征。
traffic(交通) #xff1a;描…1.数据集介绍
ETT(电变压器温度)由两个小时级数据集ETTh和两个 15 分钟级数据集ETTm组成。它们中的每一个都包含 2016 年 7 月至 2018 年 7 月的七种石油和电力变压器的负载特征。
traffic(交通) 描述了道路占用率。它包含 2015 年至 2016 年旧金山高速公路传感器记录的每小时数据
electrity电力从 2012 年到 2014 年收集了 321 个客户每小时电力消耗。
exchange_rate汇率收集了 1990 年至 2016 年 8 个国家的每日汇率。
Weather包括 21 个天气指标例如空气温度和湿度。它的数据在 2020 年的每 10 分钟记录一次。
ILLNESS描述了患有流感疾病的患者与患者数量的比率。它包括 2002 年至 2021 年美国疾病控制和预防中心每周数据。 数据集链接
https://drive.google.com/drive/folders/1ZOYpTUa82_jCcxIdTmyr0LXQfvaM9vIy 参考文献
[1]https://arxiv.org/abs/2407.05278 2. 处理方法
1方法
KANKolmogorov–Arnold Networks模块负责初始特征提取。KAN是一种针对时间序列的有效特征提取模块可以帮助模型在更高维度上理解输入特征。Transformer使用编码器和解码器编码器和解码器部分通过自注意力机制捕捉时间序列中的长程依赖并实现信息在不同时间步间的高效传播。最后通过嵌入层和全连接层将输入和输出进行维度转换实现特征的高效表达与映射。
·KAN
KAN 的核心是学习给定问题的组合结构外部自由度和单变量函数内部自由度。这使得 KAN 不仅可以像 MLP 一样学习特征还可以非常准确地优化这些学习到的特征。KAN 利用了样条曲线和 MLP 的优点同时避免了它们的缺点。样条对于低维函数来说是准确的并且可以轻松地进行局部调整但会受到维数灾难的影响。另一方面MLP 更擅长利用组合结构但难以优化单变量函数。通过结合这两种方法KAN 可以比单独的样条曲线或 MLP 更有效地学习和准确地表示复杂函数。 ·Transformer 2实验结果
训练集、验证集和测试集划分设置为622实验参数设置如下
parser argparse.ArgumentParser(descriptionKAN)
parser.add_argument(--look_back, typeint, default10, help历史look_back步,修改这里也要修改model的look_back)
parser.add_argument(--T, typeint, default1, help预测未来的T步,修改这里也要修改model的T)
parser.add_argument(--epochs, typeint, default300, help训练轮数)
parser.add_argument(--batch_size, typeint, default32, help批大小)
parser.add_argument(--data_path, typestr, defaultmydata/ETTm1.csv, help文件路径)
parser.add_argument(--freq, typestr, default15min, help时间特征编码)# freq选项:[s:秒t:分钟h:小时d:每天b:工作日w:每周m:每月]也可以使用更详细的频率如15min或3h
parser.add_argument(--num_features, typeint, default6, help数据一共多少个特征)
parser.add_argument(--target, typestr, defaultOT, help预测的目标变量)
parser.add_argument(--embed_dim, typeint, default32, help嵌入维度)
parser.add_argument(--dense_dim, typeint, default128, help隐藏层神经元个数)
parser.add_argument(--num_heads, typeint, default4, help头数)
parser.add_argument(--dropout_rate, typefloat, default0.1, help失活率)
parser.add_argument(--num_blocks, typeint, default2, help编码器解码器数)
parser.add_argument(--learn_rate, typefloat, default0.001, help学习率)args parser.parse_args()
注需根据数据集的特征进一步探索最合适的参数组合以提升模型性能。
本文方法ETTm1数据集 本文方法ETTh1数据集 3. 代码下载
KAN-Transfomer——基于新型神经网络KAN的时间序列预测 最后
小编会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesignergui设计、simulink仿真......希望能帮到你
