AOA-iTransformer
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
Python iTransformer 多路段交通流量GPU预测
Python iTransformer 多路段交通流量GPU预测用 iTransformer(变量维注意力)预测多路段交通流量,对照多变量 LSTM,输出对照曲线与多变量图。默认 CUDA。功能:·
Python EMD-LSTM挥发性有机物预测 分解对比LSTM
Python EMD-LSTM挥发性有机物预测 分解对比LSTM 对 VOC 浓度序列做 EMD 分解再 LSTM 预测,对比原序列 LSTM,输出 metrics 与 IMF 图。 功能: · EMD 分解 IMF · VOC 合成序列 · LSTM 对比预测 · metrics.csv · imf/forecast 图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python OpenCV批量Gamma变换 多档对比度报告
Python OpenCV批量Gamma变换 多档对比度报告 对目录图片批量扫描多档 Gamma 并选最优对比度,输出 gamma_batch_report.csv 与对比度柱状图。 功能: · 多档 Gamma 扫描 · gamma_batch_report.csv · 最优对比度输出图 · 对比度柱状图 · 缺省自动生成暗图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python 零基础教程 Day05 课堂源码 + 课后习题与答案
对应本专栏 Python 零基础 Day05 课程配套源码。 压缩包包含本节课课堂示例代码、课后习题文件、习题参考答案。 适合零基础初学者,下载解压即可复制运行学习。 仅供学习练习使用。
Python裕度因子特征 行车状态随机森林分类
Python裕度因子特征 行车状态随机森林分类 提取裕度/峰值/脉冲因子,用随机森林区分正常/轨道磨损/减速器/制动异响。输出波形对照、裕度柱状和混淆矩阵。 功能: · 四类行车状态 · 裕度/峰值/脉冲因子 · 波形对照 · 随机森林 · 混淆矩阵 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python VMD-LSTM电力现货价格预测 模态分解对比LSTM
Python VMD-LSTM电力现货价格预测 模态分解对比LSTM 对电力现货价格序列做 VMD 分解再 LSTM 预测,对比原序列 LSTM,输出 metrics 与模态图。 功能: · VMD 模态分解 · 电力现货价格合成序列 · LSTM 对比预测 · metrics.csv · modes/forecast 图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python 字符RNN 文本生成 古诗续写
Python 字符RNN 文本生成 古诗续写 在古典短文本语料上训练字符级 RNN,按提示词采样续写并导出 samples.csv 与训练损失图。 功能: · 字符级 RNN 语言模型 · 古典短文本语料 · samples.csv 采样结果 · 训练损失图 · 可调温度采样 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python MobileNetV2 CIFAR-10图像分类 轻量混淆矩阵
Python MobileNetV2 CIFAR-10图像分类 轻量混淆矩阵 MobileNetV2 在 CIFAR-10 上训练十类分类,输出混淆矩阵、loss/acc 双曲线与权重文件。 功能: · CIFAR-10 十类 · MobileNetV2 轻量 · 混淆矩阵 · loss/acc 双曲线 · 权重导出 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python VMD-LSTM风速预测 模态分解对比LSTM
Python VMD-LSTM风速预测 模态分解对比LSTM 对风速序列做 VMD 分解再 LSTM 预测,对比原序列 LSTM,输出 metrics 与模态图。 功能: · VMD 模态分解 · 风速合成序列 · LSTM 对比预测 · metrics.csv · modes/forecast 图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python电商RFM客户分群 DBSCAN雷达图
Python电商RFM客户分群 DBSCAN雷达图 由订单生成 Recency/Frequency/Monetary,DBSCAN 分群并标噪声点,输出散点图、雷达图与分群画像表。 功能: · 合成订单算 RFM · DBSCAN 分群 · 噪声点报告 · 散点图 · 雷达画像 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python SRCNN三层卷积超分 PSNR对照双三次
Python SRCNN三层卷积超分 PSNR对照双三次 SRCNN 三层卷积超分,训练后输出 LR/SR/HR 拼图、损失曲线与 PSNR 对照表(相对双三次)。 功能: · SRCNN 三层卷积 · 双三次预上采样 · PSNR 对照双三次 · LR/SR/HR 拼图 · 损失曲线 · 打包预跑出 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python CEEMDAN-LSTM光伏出力预测 IMF分解对比图
Python CEEMDAN-LSTM光伏出力预测 IMF分解对比图 对光伏出力序列做 CEEMDAN 分解再 LSTM 预测,对比直接在原序列上训练的 LSTM,输出 IMF 图、预测曲线与 RMSE/MAE/MAPE。 功能: · 合成光伏出力 · CEEMDAN IMF 分解图 · PyTorch LSTM 对比 · 预测曲线与损失图 · RMSE/MAE/MAPE · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python OpenCV批量自动Canny 中值双阈值报告
Python OpenCV批量自动Canny 中值双阈值报告 对目录图片批量用中值法估计 Canny 双阈值,输出 edges/ 图、canny_auto_batch_report.csv 与边缘占比图。 功能: · 中值法自动双阈值 · edges/ 输出 · canny_auto_batch_report.csv · 边缘占比柱状图 · 缺省自动生成演示图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python SVM 乳腺癌诊断 ROC曲线
Python SVM 乳腺癌诊断 ROC曲线 RBF 核 SVM 在乳腺癌数据上二分类,输出混淆矩阵、ROC 曲线与 report.csv。 功能: · 乳腺癌二分类 · SVM RBF + StandardScaler · seaborn 混淆矩阵 · ROC/AUC 曲线 · report.csv · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Python Anderson-Darling正态性 QQ图与直方图
Python Anderson-Darling正态性 QQ图与直方图 对近似正态与偏态样本做 Anderson-Darling 检验,输出 QQ 图、直方图和 A2/临界值。 功能: · 正态与偏态对照 · Anderson-Darling · QQ 图 · 直方图 · A2/临界值 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。
Transformer-informer-iTransformer等多个代码,时序预测
从文件名称来看,iTransformer-main不仅代表了这个压缩包的主要内容是iTransformer相关的代码,也可能暗示着这是一个模块化的设计,包含了模型的入口文件或主函数。
STL+itransformer+timesnet单输入单输出时间预测模型(Pytorch完整源码和数据)
1.STL+itransformer+timesnet单输入单输出时间预测模型(Pytorch完整源码和数据)2.STL分解是一种迭代的非参数回归过程,它通过Loess回归(局部加权回归)方法来分离时
STL+itransformer+timesnet多输入单输出时间预测模型(Pytorch完整源码和数据)
1.STL+itransformer+timesnet多输入单输出时间预测模型(Pytorch完整源码和数据)2.STL分解是一种迭代的非参数回归过程,它通过Loess回归(局部加权回归)方法来分离时
时间序列数据集TSdatasets.rar
目录结构显示其包含iTransformer_datasets等子集,其中Solar文件夹下存储了如solar
2024时间序列预测SOTA模型[代码]
其中,基于Transformer的模型iTransformer,以其在长期预测方面的显著优势脱颖而出。iTransformer通过引入一种新颖的注意力机制,可以更准确地捕捉时间序列中的长期依赖关系。
最新推荐

