No.148

BiLSTM-双向 LSTM

用于使用双向 LSTM建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.149

CNN_LSTM-CNN–LSTM 混合

用于使用CNN–LSTM 混合建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.150

CNN1D-一维卷积神经网络

用于使用一维卷积神经网络建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.151

DeepAR-DeepAR

用于使用DeepAR建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.152

GRU-门控循环单元

用于使用门控循环单元建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.153

Informer-Informer

用于使用Informer建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.154

LSTM-长短期记忆网络

用于使用长短期记忆网络建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.155

MLP-多层感知机

用于使用多层感知机建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
No.156

NBEATS-N-BEATS

用于使用N-BEATS建立深度学习时间序列模型,学习复杂的时序依赖并进行预测,适合样本量相对充足的连续序列;训练效果受数据规模、特征和参数影响。

¥10.00
当前:第 3 页,共 4 页,共 30 个算法