时序分类模型,序列分类算法

时序分类模型,序列分类算法

本次是《深度学习之视频分类-理论实践篇》课程第6.1节，介绍时序模型，包括RNN/LSTM/ConvLSTMPaddleTSv1.1的时序分类模块，新增两个时序分类深度模型——经典的CNN以及领先的InceptionTime,同时提供ClassifyBaseModel基类，开发者可利用其构建时序分类模型

tsai是在Pytorch&fastai基础上开发的开源深度学习软件包，专注于时间序列任务的最新技术，如分类、回归、预测等。目前tsai仍然还在不断开发中，目前涵盖的模型包括：LSTM(Hochreiter,其中，差分的次数就是模型ARIMA(p,d,q)的阶数，理论上说，差分的次数越多，对时序信息的非平稳确定性信息的提取越充分，但是从理论上说，差分的次数并非越多越好，每

ˋ０ˊ "num"))x.fit<-lm(data=dd,num~time)##拟合线性回归模型yc.dd<-data.frame(time[26:30])%>%setNames("time")yc<-predict(x.fit,yc.dd)##预测结果plot(time,tt,type="l",lwd=2,col="b● 预训练的深度模型通常仅限于特定类型的数据。感觉更适用于图像，因为图像可以做分类预训练，个人对时序预训练了解的不是很多)。2. 通用常态特征表征学习

PaddleTSv1.1的时序分类模块，新增两个时序分类深度模型——经典的CNN以及领先的InceptionTime,同时提供ClassifyBaseModel基类，开发者可利用其构建时序分类模型。同时，PaddleTSv1.11:mlp(多层感知机) 多层感知机是一种非常经典的深度学习网络，在时序预测过程中，他将整个时序作为输入，然后经过多个全连接层，最后用softmax层进行多分类输出。

⊙ω⊙ TS分类的目标是通过在给定数据集上训练任何分类模型来定义的，这样模型就可以学习所提供数据集的概率分布。也就是说当给定TS时，模型应该学会正确地分配类标签实验结果表明本论文模型算法的准确率和性能优于传统时间序列分类算法，其中多层感知机时序分类模型达到了传统时序分类算法的准确率基准线，表明深度学习理论在时间序列分类问题