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。
暂未开通下载渠道
软件下载目录
选择算法后，再查看当前可用的下载方式。
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。
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。
暂未开通下载渠道
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。
暂未开通下载渠道
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。
暂未开通下载渠道
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。
暂未开通下载渠道
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。
暂未开通下载渠道
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。
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。
暂未开通下载渠道
当前第 3 页，共 4 页，共 30 个算法