每条资料为网盘目录，目录内同时包含该算法的 Word 和 PDF 文件。提取码已直接显示，打开网盘后按提示提取即可；如链接失效，请联系售后支持。
No.150
资料已配置
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。
Word · 150-CNN1D-一维卷积神经网络-20260801-061045.docx
PDF · 150-CNN1D-一维卷积神经网络-20260801-061045.pdf
No.151
资料已配置
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。
Word · 151-DeepAR-DeepAR-20260801-065153.docx
PDF · 151-DeepAR-DeepAR-20260801-065153.pdf
No.152
资料已配置
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。
Word · 152-GRU-门控循环单元-20260801-061052.docx
PDF · 152-GRU-门控循环单元-20260801-061052.pdf
No.153
资料已配置
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。
Word · 153-Informer-Informer-20260801-061055.docx
PDF · 153-Informer-Informer-20260801-061055.pdf
No.154
资料已配置
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。
Word · 154-LSTM-长短期记忆网络-20260801-061059.docx
PDF · 154-LSTM-长短期记忆网络-20260801-061059.pdf
No.155
资料已配置
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。
Word · 155-MLP-多层感知机-20260801-061103.docx
PDF · 155-MLP-多层感知机-20260801-061103.pdf
No.156
资料已配置
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。
Word · 156-NBEATS-N-BEATS-20260801-061107.docx
PDF · 156-NBEATS-N-BEATS-20260801-061107.pdf
No.157
资料已配置
用于使用时序卷积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。
Word · 157-TCN-时序卷积网络-20260801-061110.docx
PDF · 157-TCN-时序卷积网络-20260801-061110.pdf
No.158
资料已配置
用于使用Temporal Fusion Transformer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。
Word · 158-TFT-Temporal Fusion Transformer-20260801-061114.docx
PDF · 158-TFT-Temporal Fusion Transformer-20260801-061114.pdf
No.159
资料已配置
用于使用Transformer 时序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。
Word · 159-TransformerTS-Transformer 时序-20260801-061117.docx
PDF · 159-TransformerTS-Transformer 时序-20260801-061117.pdf
No.160
资料已配置
用于采用Copula 异常识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 160-COPOD-Copula 异常-20260801-061121.docx
PDF · 160-COPOD-Copula 异常-20260801-061121.pdf
No.161
资料已配置
用于采用椭圆包络、鲁棒协方差识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 161-EllipticEnvelope-椭圆包络、鲁棒协方差-20260801-061125.docx
PDF · 161-EllipticEnvelope-椭圆包络、鲁棒协方差-20260801-061125.pdf
No.162
资料已配置
用于采用直方图异常分数识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 162-HBOS-直方图异常分数-20260801-061129.docx
PDF · 162-HBOS-直方图异常分数-20260801-061129.pdf
No.163
资料已配置
用于采用孤立森林识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 163-IsolationForest-孤立森林-20260801-061132.docx
PDF · 163-IsolationForest-孤立森林-20260801-061132.pdf
No.164
资料已配置
用于采用核密度异常识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 164-KDE_OD-核密度异常-20260801-061135.docx
PDF · 164-KDE_OD-核密度异常-20260801-061135.pdf
No.165
资料已配置
用于采用局部离群因子识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 165-LOF-局部离群因子-20260801-061139.docx
PDF · 165-LOF-局部离群因子-20260801-061139.pdf
No.166
资料已配置
用于采用单类 SVM识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 166-OneClassSVM-单类 SVM-20260801-061142.docx
PDF · 166-OneClassSVM-单类 SVM-20260801-061142.pdf
No.167
资料已配置
用于采用PCA 残差异常识别与大多数样本模式明显不同的异常观测，可用于质量检测、风险预警和数据清洗；异常阈值应结合业务场景判断。
Word · 167-PCA_OD-PCA 残差异常-20260801-061145.docx
PDF · 167-PCA_OD-PCA 残差异常-20260801-061145.pdf
No.168
资料已配置
用于采用人工蜂群搜索连续或组合优化问题的较优解，适合目标函数复杂、不可导或传统方法难以求解的场景；结果取决于目标函数、约束、参数与迭代次数。
Word · 168-ABC-人工蜂群-20260801-061149.docx
PDF · 168-ABC-人工蜂群-20260801-061149.pdf
No.169
资料已配置
用于采用蚁群算法搜索连续或组合优化问题的较优解，适合目标函数复杂、不可导或传统方法难以求解的场景；结果取决于目标函数、约束、参数与迭代次数。
Word · 169-ACO-蚁群算法-20260801-061152.docx
PDF · 169-ACO-蚁群算法-20260801-061152.pdf