数据分析-44-时间序列预测之深度学习方法TCN
文章目录
- 1 TCN简介
-
- 1.1 网络示意图
- 1.2 TCN优点
- 2 模拟应用
-
- 2.1 模拟数据
- 2.2 预处理创建滞后特征
- 2.3 划分训练集和测试集
- 2.4 创建TCN模型
- 2.5 模型训练
- 2.6 模型预测
- 3 自定义my_TCN模型
-
- 3.1 my_TCN()函数
- 3.2 训练模型
- 3.3 模型预测
- 3.4 改进
- 4 参考附录
1 TCN简介
时间卷积网络（TCN）是一种新兴的深度学习模型，特别适用于处理时间序列数据，因其在捕捉长期依赖关系方面的优势而受到关注。
TCN通过使用卷积操作代替递归结构，能够并行处理输入数据，减少训练时间。TCN使用因果卷积和扩张卷积来捕捉时间序列中的长期依赖关系。
1.1 网络示意图
时域卷积网络（Temporal Convolutional Network，TCN）属于卷积神经网络（CNN）家族，于2017年被提出，目前已在多项时间序列数据任务中击败循环神经网络（RNN）家族。
图中，xi 表示第 i 个时刻的特征，可以是多维的。
1.2 TCN优点
相较于传统的循环神经网络（RNN）和长短期记忆网络（LSTM），TCN 具有以下优点：
(1)长期依赖性建模能力： TCN 使用了带有不同扩张率（dilation rate