作者 | prakhar ganesh近日，發表在《datascience》上的一篇文章，使用深度學習方法，從資料處理、迴圈網路、rnn上的lstm、cnn-lstms等方面介紹了時間序列分析，同時解釋了時間序列的概念以及為什麼選擇深度學習的方法等問題。編譯 | 安然
** | 圖靈topia
什麼是時間序列分析？
時間序列是一系列資料點，使用時間戳進行排序，是對時間序列資料的分析。
從水果的每日**到電路提供的電壓輸出的讀數，時間序列的範圍非常大，時間序列分析的領域也是如此。分析時間序列資料通常側重於**，但也可以包括分類，聚類，異常檢測等。
例如，通過研究過去的**變化模式，可以嘗試**曾經想要購買的一款手錶的**，判斷它的最佳購買時間！
為什麼選擇深度學習？
時間序列資料可能非常不穩定且複雜。深度學習方法不假設資料的基本模式，而且對雜訊(在時間序列資料中很常見)的魯棒性更強，是時間序列分析的首選方法。
資料處理
在繼續進行**之前，重要的是首先以數學模型可以理解的形式處理資料。通過使用滑動視窗切出資料點，可以將時間序列資料轉換為監督學習問題。然後，每個滑動視窗的預期輸出是視窗結束後的時間步長。
迴圈網路
迴圈網路一種複雜的深度學習網路。它們可以記住過去，因此是序列處理的首選。rnn單元是迴圈網路的骨幹。
rnn單元具有2個傳入連線，即輸入和先前狀態。同樣，它們還具有2個傳出連線，即輸出和當前狀態。這種狀態有助於他們結合過去和當前輸入的資訊。
乙個簡單的rnn單元太簡單了，無法統一用於跨多個域的時間序列分析。因此，多年來提出了各種各樣的變體，以使迴圈網路適應各個領域，但核心思想保持不變！、
rnn上的lstm
lstm單元格是特殊的rnn單元格，其中帶有「門」，其本質上是介於0到1之間的值，對應於狀態輸入。這些門背後的直覺是忘記或保留過去的資訊，這使他們不僅可以記住過去，還可以記住更多。
cnn-lstms
由於狀態資訊要經過每乙個步長，所以rnns只能記住最近的過去。
另一方面，像lstm和gru這樣的門控網路可以處理相對較長的序列，但是即使這些網路也有其侷限性！！為了更好地理解這一問題，還可以研究消失和**的梯度。
那麼如何處理很長的序列呢?最明顯的解決辦法就是縮短它們!!但如何?一種方法是丟棄訊號中呈現的細粒度時間資訊。
這可以通過將一小組資料點累積在一起並從中建立特徵來完成，然後將這些特徵像單個資料點一樣傳遞給lstm。
多尺度分層lstms
看看cnn-lstm架構，有一件事浮現在我的腦海中……為什麼要使用cnns來合併那些組?為什麼不使用不同的lstm呢!多尺度分層lstms是基於相同的思想構建的。
輸入是在多個尺度上處理的，每個尺度都致力於做一些獨特的事情。適用於更細粒度輸入的較低標度專注於提供細粒度（但僅是最近的）時間資訊。
另一方面，較高的比例集中在提供完整的（但沒有細粒度的細節）上。多個刻度可以一起更好地理解時間序列。
下一步是什麼？
時間序列分析是乙個非常古老的領域，包含各種跨學科的問題，每種陳述問題都有其自身的挑戰。
然而，儘管每個領域都根據自己的要求調整了模型，但是時間序列分析中仍然有一些一般性的研究方向需要加以改進。
例如，從最基本的rnn單元到多尺度分層lstm的每項開發都以某種方式專注於處理更長的序列，但是即使最新的lstm修改也有其自身的序列長度限制，並且目前仍然沒有一種架構可以真正處理極長的序列。
一文讀懂Nginx
問 nginx的負載均衡演算法有什麼？預設是什麼演算法？答 1 輪詢 按請求的時間輪詢查空閒的後端伺服器 2 指定輪詢機率 機率的原因是後端伺服器的效能不均勻，好的多分點，差的少分點 3 固定ip繫結固定伺服器 預設是加權輪詢，就是優先訪問權重高的伺服器 問 nginx是單執行緒的嗎？答 是單執行緒...
一文讀懂SpringMVC
主要講的是dispatcherservlet這個類 ioc其實是乙個map，工程啟動後掃瞄路徑，根據類的全限定名建立bean 問 怎麼根據路徑找到方法？map還存key為 aaa value為該controller例項 問 autowired原理？自定義註解，在載入的時候，掃瞄controller層...
堆疊 一文讀懂
堆疊 stack 是一種先進後出的 操作受限的線性表，也可以直接稱為棧。可以把棧想象成乙個桶一樣，往這個桶裡面一層一層的放東西，先放進去的在裡面，後放進去的東西依次在外面。但取東西的時候就是先取靠近外面的，再依次一層層取裡面的。這就是 後進先出 last in first out 的原則。因此 棧 ...