态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。

基线、线性、DNN、LSTM单步模型学习代码

基线、线性、DNN、LSTM多步模型学习代码

基线、线性、DNN、LSTM多输出模型学习代码

通过图表示学习预测患者结果 该存储库包含用于通过“图形表示​​学习”预测患者结果的代码。 您可以在以下网址观看W3PHIAI（AAAI研讨会）上的聚焦演讲视频： 引文 如果您在研究中使用此代码或模型，请引用以下内容： @misc{rocheteautong2021, title={Predicting Patient Outcomes with Graph Representation Learning}, author={Emma Rocheteau and Catherine Tong and Petar Veličković and Nicholas Lane and Pietro Liò}, year={2021}, eprint={2101.03940}, archivePrefix={arXiv}, p

单因素、多因素、ConvLSTM预测、单步预测多步预测、数据处理

使用深度学习预测股票市场 在这个项目中，我使用称为LSTM的最佳深度学习算法之一来预测和预测Amazon Inc.的价格。

lstm 多输入 多输出 负荷预测 pytorch 直接可跑 有数据

拉丹 自适应学习率的方差及超越 我们处于早期版本的Beta中。 期待一些冒险和艰难的边缘。 目录 介绍 如果热身是答案，那么问题是什么？ Adam的学习速度预热是在某些情况下（或eps调整）进行稳定训练的必备技巧。 但是基本机制尚不清楚。 在我们的研究中，我们提出一个根本原因是自适应学习率的巨大差异，并提供理论和经验支持证据。 除了解释为什么要使用预热之外，我们还提出RAdam ，这是Adam的理论上合理的变体。 动机 如图1所示，我们假定梯度遵循正态分布（均值：\ mu，方差：1）。 模拟了自适应学习率的方差，并将其绘制在图1中（蓝色曲线）。 我们观察到，在训练的早期阶段，自适应学习率具有很大的差异。 将变压器用于NMT时，通常需要进行预热阶段以避免收敛问题（例如，图2中的Adam-vanilla收敛于500 PPL左右，而Adam-warmup成功收敛于10 PPL以下）。 在进

使用lstm完成时间序列预测，一次预测一个时间步，并且使用该时间步作为输入。