@時間序列 / 博客 RSS 訂閱

Dec 07 2025

代碼天地 - 融合Transformer+LSTM+CNN，時間序列預測 ！！

咱們今天來聊聊融合Transformer+LSTM+CNN，這也是有一位同學提到的。 核心點：用卷積抓短期、用 LSTM 維護狀態、用自注意力抓任意距離的依賴。 首先，咱們來看看這三位“同學”各自擅長的點在哪裏？ CNN（卷積）：擅長抓“局部模式”，像短期的波峯/波谷、週期裏的固定形狀。 LSTM（長短時記憶網絡）：擅長記住“時間上的因果和長期依賴”，把過

卷積 , 服務器 , 數據 , 時間序列 , 分佈式

收藏 評論

Nov 18 2025

未聞花名AI - 構建AI智能體：十四、從“計算”到“洞察”：AI大模型如何讓時間序列數據“開口説話”

一、我需要學習“時間序列”嗎 今天主題是“時間序列模型”，在開始之前我們先討論一下學習大模型需要了解時間序列嗎，首先要看我們的目標，學習大模型也必須也要有自己的目標。 應用型工程師： 如果想成為一名應用大模型的專業工程師，比如構建一個智能聊天客服機器人、開發一個文檔總結工具、創建一個代碼生成助手，那麼，不需要深入研究時間序列模型，此時你的核心技能應該是：

擬合 , yyds乾貨盤點 , 數據 , NLP , 人工智能 , 時間序列

收藏 評論

Dec 25 2025

代碼探險家 - attention中位置編碼與embeding

Transformer的時間序列預測 1、它利用輸入嵌入中添加的位置編碼來模擬序列信息。（位置編碼） 絕對位置編碼： t表示位置索引，w為每個維度的頻率信息 相對位置編碼：根據輸入元素之間的成對位置關係比元素的位置更有利的直覺，相對位置編碼方法已經被提出。例如，其中一種方法是將可學習的相對位置嵌入到注意力機制的關鍵中 混合位置

機器學習 , 複雜度 , 人工智能 , 時間序列 , 頻域

收藏 評論

Dec 08 2025

代碼天地 - 完全突破最強算法模型，XGBoost！！

今天咱們和大家一起聊聊關於 XGBoost 的一個算法案例：XGBoost 在股市波動預測中的應用。 當然，僅僅作為算法模型的學習，切勿用於真實情況。 下面，咱們從原理到案例，好好説説~ XGBoost原理 XGBoost（eXtremeGradient Boosting）是一個基於梯度提升決策樹（GBDT）實現的高效分佈式機器學

服務器 , 數據 , 正則化 , 時間序列 , 分佈式

收藏 評論

Nov 07 2025

全棧技術開發者 - LLM 對時間序列推理的增強究竟指的是什麼？LLM 對齊（alignment regimes）與時序推理的可靠性之間是什麼關係？

時間序列數據廣泛出現於自然科學、社會科學以及工程技術等各類領域中，其核心特徵在於數據隨時間的演變規律。長期以來，如何從這些動態變化的數據中提取有價值的信息、實現精準預測、並基於歷史數據進行推理，一直是數據分析、統計學和機器學習研究的核心問題。傳統的時間序列分析方法，如自迴歸模型（AR）、移動平均模型（MA）、以及更復雜的狀態空間模型和卡爾曼濾波器，在一定程度上能夠描述和預測數據的

llm , 建模 , yyds乾貨盤點 , 人工智能 , 時間序列 , 深度學習 , 大模型

收藏 評論