一种RNN的新继任者—时序并行门控网络TPGN用于时间序列预测。 作为RNN的新继任者。 PGN通过设计的历史信息提取HIE层直接从以前的时间步捕获信息并利用门通机制选择并将其与当前时间步信息融合。 这将信息传播路径减少到0(1)有效地解决了RNN的局限性。 TPGN采用两个分支来全面捕获时间序列的语义信息。 一个分支利用PGN捕获长期周期模式同时保留其局部特征。 另一个分支使用补丁来捕获短期信息并聚合该系列的全局表示。 该模型可实现单输入单输出多输入多输出单步预测/多步预测可用于交通流量预测负荷预测风光预测寿命预测等。 模型数据替换简单参数修改容易非常适合初学者发文趁着模型时效性快快联系我吧嘿各位搞时间序列预测的小伙伴们今天咱来唠唠一种超有意思的模型——时序并行门控网络TPGN它可是RNN的新继任者哦。TPGN的独特设计TPGN里面有个很巧妙的历史信息提取HIE层 。简单来说这玩意儿能直接从以前的时间步把信息给捕获到然后通过门通机制就像个聪明的小开关选择有用的信息再和当前时间步的信息融合到一块儿。这样做有啥好处呢它把信息传播路径一下子减少到了O(1) 直接就把RNN的那些局限性给解决啦。一种RNN的新继任者—时序并行门控网络TPGN用于时间序列预测。 作为RNN的新继任者。 PGN通过设计的历史信息提取HIE层直接从以前的时间步捕获信息并利用门通机制选择并将其与当前时间步信息融合。 这将信息传播路径减少到0(1)有效地解决了RNN的局限性。 TPGN采用两个分支来全面捕获时间序列的语义信息。 一个分支利用PGN捕获长期周期模式同时保留其局部特征。 另一个分支使用补丁来捕获短期信息并聚合该系列的全局表示。 该模型可实现单输入单输出多输入多输出单步预测/多步预测可用于交通流量预测负荷预测风光预测寿命预测等。 模型数据替换简单参数修改容易非常适合初学者发文趁着模型时效性快快联系我吧咱来想象一段简单的代码示例以下代码为示意非完整可运行代码# 假设我们有一个简单的时间序列数据列表 time_series [1, 2, 3, 4, 5] # 模拟HIE层捕获信息 previous_info time_series[: -1] current_info time_series[-1] # 这里简单模拟门通机制比如通过一个权重选择信息 weight 0.5 selected_previous [info * weight for info in previous_info] fused_info sum(selected_previous) current_info print(fused_info)在这段代码里previousinfo就像是HIE层捕获到的之前时间步的信息currentinfo是当前时间步信息。通过设置weight模拟门通机制对之前信息进行选择最后融合得到新的信息fused_info。TPGN的双分支捕获语义信息TPGN还有个很厉害的地方它采用了两个分支来全面捕获时间序列的语义信息。长周期模式与局部特征分支其中一个分支利用PGN去捕获长期周期模式同时还能把局部特征给保留住。就好比你在观察一条河流的水流既要看到它长期的流动规律又要注意到每个小水涡这些局部特征。短期信息与全局表示分支另一个分支就有点不一样啦它使用补丁来捕获短期信息然后把这个时间序列的全局表示聚合起来。这就像拼图每一块补丁是短期信息最后拼出完整的全局画面。TPGN的广泛应用TPGN这模型可牛了它能实现单输入单输出多输入多输出不管是单步预测还是多步预测都不在话下。在实际应用中交通流量预测、负荷预测、风光预测甚至寿命预测等领域都能看到它的身影。而且啊这模型对初学者超友好的。模型数据替换简单得很参数修改也容易现在这模型时效性还挺强正是发文的好时候呢要是你感兴趣赶紧联系我呀咱一起探索TPGN的奇妙世界