01
时序预测概述
什么是时间序列预测、LSTM为什么适合做预测、Attention机制的作用。
基础概念
02
环境搭建与工具准备
Python环境、TensorFlow/PyTorch安装、Jupyter Notebook配置。
环境工具
03
数据预处理基础
加载时间序列数据、处理缺失值、数据归一化与标准化。
预处理清洗
04
滑动窗口与数据集构建
如何将时序数据转为监督学习、滑动窗口大小选择、生成训练/测试集。
窗口数据集
05
LSTM原理精讲
LSTM细胞状态、遗忘门、输入门、输出门、为什么能解决长期依赖。
核心RNN
06
PyTorch实现基础LSTM
定义LSTM模型、前向传播、损失函数与优化器选择。
代码PyTorch
07
训练第一个LSTM预测模型
单变量时间序列预测、训练循环、损失曲线绘制。
实战单变量
08
模型评估与调优
均方误差(MSE)、平均绝对误差(MAE)、R²分数、超参数调优思路。
评估调优
09
多变量时间序列预测
多特征输入、特征相关性分析、多步预测策略。
多变量特征
10
堆叠LSTM与双向LSTM
多层LSTM结构、BiLSTM原理、实战对比。
堆叠双向
11
Attention机制入门
什么是注意力、为什么需要注意力、软注意力与硬注意力。
注意力入门
12
Bahdanau Attention原理
加性注意力机制、对齐模型、上下文向量计算。
Bahdanau加性
13
Luong Attention原理
乘性注意力、全局与局部注意力、与Bahdanau对比。
Luong乘性
14
自注意力(Self-Attention)机制
QKV思想、缩放点积注意力、多头注意力简介。
Self-AttentionQKV
15
LSTM+Attention架构设计
编码器-解码器结构、Attention层插入位置、整体流程图。
架构设计
16
PyTorch实现LSTM+Attention
自定义Attention层、集成到LSTM模型、前向传播修改。
实现融合
17
股票价格预测实战(一)
数据获取(雅虎财经/CSV)、数据探索与可视化、特征工程。
股票数据
18
股票价格预测实战(二)
构建LSTM基线模型、训练与评估、结果可视化。
基线LSTM
19
股票价格预测实战(三)
加入Attention机制、对比LSTM与LSTM+Attention效果。
对比Attention
20
天气预测实战
多站点气象数据、时空特征处理、LSTM+Attention预测温度。
天气时空
21
电力负荷预测实战
周期性特征提取、节假日影响处理、长序列预测技巧。
电力周期
22
序列到序列(Seq2Seq)预测
编码器-解码器框架、Teacher Forcing策略、推理模式。
Seq2Seq推理
23
时间序列分解与特征增强
趋势、季节、残差分解、傅里叶特征、滞后特征。
分解特征
24
超参数搜索与正则化
Grid Search、Random Search、Dropout、早停法。
搜索正则
25
模型部署与推理优化
模型导出(ONNX/TorchScript)、量化、C++部署简介。
部署优化
26
多步预测策略对比
递归多步、直接多步、多输出多步、Seq2Seq多步。
策略对比
27
异常检测实战
基于LSTM+Attention的重构误差、阈值设定、告警机制。
异常告警
28
Transformer与LSTM对比
Transformer架构简介、时间序列中的Transformer、适用场景。
对比前沿
29
模型可解释性
Attention权重可视化、特征重要性分析、SHAP值应用。
可解释可视化
30
项目总结与进阶方向
课程回顾、常见问题FAQ、推荐学习资源、未来趋势(时间序列基础模型)。
总结进阶