正在加载中...
查看算法原理、公式、操作流程和结果说明。
BP 神经网络（Backpropagation Neural Network）是典型的前馈多层感知机（MLP）模型，适用于分类与回归任务。本系统用于完成数据预处理、模型训练与评估，并输出论文可直接引用的指标、图表与结果表格。
BERTFinetune-BERT 微调 模块的真实实现位于 core/bertfinetunecalculator.py。它并不是传统机器学习的文本向量化分类器，而是调用 HuggingFace transformers 中的 AutoTokenizer 与 AutoMode…
Autoformer-Autoformer 模块在当前项目中的实际实现，是一个面向单变量时间序列预测的简化建模流程。系统先从历史目标序列中构造固定长度的滑动窗口监督样本，再利用随机森林回归器学习“历史窗口到下一时刻数值”的映射关系，最后采用递归方式输出未来若干步预测结果。该实现…
BiLSTM-双向 LSTM 模块是一个基于 TensorFlow/Keras 的时序建模组件，支持回归与分类两类任务。系统先对输入特征进行编码、缺失值删除与可选缩放，再通过滑动窗口构造时序样本，随后训练多层双向 LSTM 网络，并在测试集上输出预测结果与评价指标。
CNNLSTM-CNN–LSTM 混合 模块是一个面向时序数据的混合深度学习组件，支持回归与分类两类任务。系统先对输入特征执行编码、缺失值删除与可选缩放，再通过滑动窗口构造序列样本；随后，利用一维卷积网络提取局部时序模式，再将卷积后的序列特征送入 LSTM 以建模较长时间依赖，…
CNN1D-一维卷积神经网络 模块在当前项目中的真实实现，并非简单的“单层一维卷积分类器”，而是一个面向时序数据的 TCN 风格一维因果膨胀卷积残差网络。在此基础上，系统还支持附加 lstm、gru、bilstm 或 none 四种输出头，并可选择加入多头自注意力模块。因此，该…
DeepAR-DeepAR 模块在当前项目中的真实实现，是一个面向单变量时间序列概率预测的简化版 DeepAR 流程。系统允许用户指定一个目标列 y 和若干数值型协变量列 x，先按时间顺序构造“历史上下文 + 未来预测区间”滑动窗口，再利用 LSTM + Gaussian li…
GRU-门控循环单元 模块在当前项目中的真实实现，是一个基于 TensorFlow/Keras 的 sequence-to-one 时序建模组件，支持回归与分类两类任务。系统不单独读取时间列，而是默认数据已经按时间顺序排好；随后通过滑动窗口把“连续 L 个时间步特征”映射为“未…
Informer-Informer 模块在当前项目中的真实实现，主后端是一个基于 PyTorch 的简化 Informer 时序预测器，支持 ProbSparse 或 Full 注意力、编码器蒸馏卷积 (distil) 以及多步预测输出。需要首先说明两点：
LSTM-长短期记忆网络 模块在当前项目中的真实实现，是一个基于 TensorFlow/Keras 的通用时序建模组件，支持回归与分类两类任务。系统先对输入特征做编码、缺失值检查与缩放，再通过滑动窗口构造 sequence-to-one 序列样本，随后训练单向 LSTM 网络；…
MLP-多层感知机 模块在当前项目中的真实实现，并不是滑动窗口时序网络，而是一个基于 scikit-learn 的标准表格学习器：分类任务使用 MLPClassifier，回归任务使用 MLPRegressor。它直接把每一行样本视为一个独立观测值，通过随机训练/测试划分完成建…
NBEATS-N-BEATS 模块在当前项目中的真实实现，是一个简化版 N-BEATS 风格序列建模器。它支持回归和分类，但并不是论文中那种标准的多步 backcast/forecast basis expansion 结构，而是先将时序窗口展平成向量，再通过若干全连接残差块逐…
TCN-时序卷积网络 模块在当前项目中的真实实现，是一个简化版 TCN（Temporal Convolutional Network）。它的主后端使用 PyTorch，核心结构是“因果一维卷积 + 空洞卷积 + 残差连接 + 末步线性输出”；若运行环境没有 torch，则会退化…
当前项目中的 TFT-Temporal Fusion Transformer，并不是论文原版那种带有静态变量编码、变量选择网络、门控残差网络、可解释多头注意力、分位数多步输出的完整 TFT。真实代码实现位于 core/tftcalculator.py，其结构更接近一个轻量级时序…
TransformerTS-Transformer 时序 模块的真实实现，位于 core/transformertscalculator.py。与前面的 TFT 轻量版本不同，这个模块更接近一个标准的 encoder-only Transformer 时序模型：
适合连续阅读，作为本站在线教程的补充入口。