new_org
/
time-series-learning
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update Task3 模型建立之CNN+LSTM.ipynb

This commit is contained in:
Harold-Ran 2021-10-21 15:18:22 +08:00 committed by GitHub
parent 0627bc7a94
commit e1389d4488
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
1 changed files with 3 additions and 3 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

6
Task3 模型建立之CNN+LSTM.ipynb
View File

@ -373,11 +373,11 @@
"source": [ "source": [
"在Task2中我们发现，赛题中给出的数据量非常少，如何增加数据量呢？对于时序数据，一种常用的做法就是滑窗。\n", "在Task2中我们发现，赛题中给出的数据量非常少，如何增加数据量呢？对于时序数据，一种常用的做法就是滑窗。\n",
"\n", "\n",
"由于每条数据在时间上有重叠，我们取数据的前12个月拼接起来，就得到了长度为（数据条数×12个月）的序列数据，如图1所示：\n", "由于每条数据在时间上有重叠，我们取数据的前12个月拼接起来，就得到了长度为（数据条数×12个月）的序列数据，如Task3-图1所示：\n",
"\n", "\n",
"<img style=\"float: center;\" src=\"Task3-图1.jpg\" width=\"70%\">\n", "<img style=\"float: center;\" src=\"Task3-图1.png\" width=\"70%\">\n",
"\n", "\n",
"然后我们以每个月为起始月，接下来的12个月作为模型输入X，后24个月的Nino3.4指数作为预测目标Y构建训练样本，如图2所示：\n", "然后我们以每个月为起始月，接下来的12个月作为模型输入X，后24个月的Nino3.4指数作为预测目标Y构建训练样本，如Task3-图2所示：\n",
"<img style=\"float: center;\" src=\"Task3-图2.png\" width=\"70%\">\n", "<img style=\"float: center;\" src=\"Task3-图2.png\" width=\"70%\">\n",
"\n", "\n",
"需要注意的是，CMIP数据提供了不同的拟合模式，只有在同种模式下各个年份的数据在时间上是连续的，因此同种模式的数据才能在时间上拼接起来，除去最后11个月不能构成训练样本外，滑窗最终能获得的训练样本数量可以按以下方式计算得到：\n", "需要注意的是，CMIP数据提供了不同的拟合模式，只有在同种模式下各个年份的数据在时间上是连续的，因此同种模式的数据才能在时间上拼接起来，除去最后11个月不能构成训练样本外，滑窗最终能获得的训练样本数量可以按以下方式计算得到：\n",