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。
算法目录
按类目、下载状态和价格筛选全部算法。
分类筛选
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。
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。
Autoformer-Autoformer
用于使用Autoformer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。
Verhulst-灰色 Verhulst
用于建立灰色 Verhulst，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
NDGM-非齐次离散灰色
用于建立非齐次离散灰色，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
GreyMarkov-灰色 Markov 修正
用于建立灰色 Markov 修正，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
GM(2,1)-灰色预测
用于建立灰色预测，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
GM(1,N)-灰色预测
用于建立灰色预测，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
当前第 2 页，共 4 页，共 30 个算法