多类别文字分类 在Tensorflow中实现四个神经网络，以解决多类文本分类问题。 楷模 LSTM分类器。 参见rnn_classifier.py 双向LSTM分类器。 参见rnn_classifier.py CNN分类器。 参见cnn_classifier.py。 参考： 。 C-LSTM分类器。 请参阅clstm_classifier.py。 参考：。 资料格式 训练数据应存储在csv文件中。 文件的第一行应为[“ label”，“ content”]或[“ content”，“ label”]。 要求 Python 3.5或3.6 Tensorflow> = 1.4.0 脾气暴躁的 火车 运行train.py训练模型。 参数： python train.py --help optional arguments: -h, --help show

机场是一个空地交通系统,机场地面交通的预测不同于一般城市道路具有其特殊性。本研究以北京首都国际机场为研究对象,基于2016年8月1日-2017年7月31日空地交通小时数据,预测辖区内58条道路小时级别的拥堵延时指数,为相关部门的管理提供依据。与传统的基于自身序列的预测模型相比,本研究将航空因素引入地面交通拥堵预测模型中,结果显示航空因素对于机场地面交通的预测具有重要影响,证实了机场地面交通预测的特殊性。与线性模型ARIMA和VAR模型相比,深度学习算法LSTM模型具有更好的预测精度。

lstm-char-cnn, 基于CNN的LSTM语言模型 基于的字符识别神经语言模型论文字符识别神经语言模型 ( AAAI 2016 )的代码。基于字符输入的神经语言模型( NLM ) 。 预测仍在单词级别进行。 模型采用卷积神经网络( CNN ) 作为输入，作为长周期记忆( LSTM )

对于公司来说，要想实现持续发展，准确预测客户流失至关重要。 先前的研究已经使用许多机器学习方法来预测客户流失。 通用模型无法充分利用时间序列功能。 为了克服这个缺点，我们提出了一个基于LSTM和CNN的模型，该模型在LSTM层和卷积层之间具有跨层连接。 该模型可以同时学习潜在的顺序信息，并从时间序列特征中捕获重要的局部特征。 此外，我们介绍了一种通过在现有特征上训练XGBoost模型来构造新特征的方法。 在真实数据集上的实验结果表明，我们提出的模型比其他比较模型具有更好的性能。

航空公司-乘客-使用LSTM进行预测

神经网络：用Python语言从零开始实现的卷积神经网络，LSTM神经网络和神经网络

深度日志 这是用于研究目的的核心DeepLo​​g的实现。 功能工程的基本思想是分析原始日志并最终基于一系列处理报告潜在的恶意日志。 型号的在线更新部分，请检查 正在做： dvc实验 dvc dags 特征： 将日志转换为结构化的熊猫框架 从原始日志中提取日志密钥 分析日志密钥执行路径 分析日志键中的参数 结合两个模型的结果 分析PCA从窗口大小和时间间隔生成的时间序列数据。 对于数据集，我给出了一些示例，您可以将自己的数据放入该文件夹中。 预备： # in order to match the libraries versions, please run and build the project in virtual environment virtualenv env pip3 install -r requirement.txt 说明（在Deeplog_demo文件夹

本文将主要讲述如何使用BLiTZ（PyTorch贝叶斯深度学习库）来建立贝叶斯LSTM模型，以及如何在其上使用序列数据进行训练与推理。 原创文章 54获赞 109访问量 18万+ 关注 私信 展开阅读全文 作者：deephub

PyTorch中的贝叶斯LSTM实现 灵感来自：Uber的时间序列的深度和自信预测（2007） 由于贝叶斯神经网络提供了可量化的不确定性和置信区间，因此与等效的频频方法不同，贝叶斯神经网络引起了人们的极大兴趣。 该存储库演示了PyTorch中的一种实现，并通过一个预测建筑能耗的真实示例总结了贝叶斯LSTM（长期短期记忆）网络的一些关键功能。 本示例中使用的Appliances能量预测数据集来自UCI机器学习存储库（ ） 随附的笔记本直接从Google Colab共享。 结果，交互式可视化尚未转移到GitHub。 请单击“在Colab中打开”按钮或单击此处，以在Google Colab中查看笔记本： : //colab.research.google.com/drive/1pwMzsdRPwTO8oRVU0LwY9hs_z-ye67su

滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态, 平均识别准确率达99.83%; 其次, 将提出的模型与部分传统算法模型进行对比实验, 结果表明所提方法在测试精度方面有较大优势; 最后, 引入迁移学习测试模型的鲁棒性和泛化能力, 实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性, 模型有较强的泛化能力, 具备工程应用的可行性.