这是MTS-Mixers的官方实现：通过因子化时间和通道混合进行多元时间序列预测。 使用： 1. 安装 Python 版本不低于 3.6，PyTorch 版本不低于 1.5.0。 2. 运行 pip install -r requirements.txt 3. 下载数据并将 .csv 文件放在 ./dataset 文件夹中。您可以从 Google Drive 获取所有基准测试数据。所有数据集都经过了良好的预处理，可以轻松使用。 4. 训练模型。我们在 script.md 中提供了一个运行所有基准测试脚本的示例。如果需要，您可以更改任何超参数。请查看 run.py 以了解有关超参数配置的更多详细信息。 引用：Li Z, Rao Z, Pan L, et al. MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal and Channel Mixing[J]. arXiv preprint arXiv:2302.04501, 2023.

首先我们要对时间序列概念有一个基本的了解时间序列预测大致分为两种一种是单元时间序列预测另一种是多元时间序列预测单元时间序列预测是指只考虑一个时间序列的预测模型。它通常用于预测单一变量的未来值，例如股票价格、销售量等。在单元时间序列预测中，我们需要对历史数据进行分析，确定趋势、季节性和周期性等因素，并使用这些因素来预测未来的值。常见的单元时间序列预测模型有移动平均模型（MA）自回归模型（AR）自回归移动平均模型（ARMA）差分自回归移动平均模型（ARIMA）后期我也会讲一些最新的预测模型包括Informer，TPA-LSTM,ARIMA,XGBOOST,Holt-winter，移动平均法等等一系列关于时间序列预测的模型,包括深度学习和机器学习方向的模型我都会讲,你可以根据需求选取适合你自己的模型进行预测，如果有需要可以+个关注。

《雷达系统工程》丛书共28本，由美国麻省理工学院辐射实验室集合各方面的专家，总结二战期间参与雷达研制的经验，在1947年由麦克劳希尔出版社出版。

低变频损耗四次谐波混频器 毫米波应用 IEEE收录论文