回归预测 | MATLAB实现CNN-GRU多变量多步预测
目录
基本介绍
模型特点
- CNN和GRU网络是深度学习中两种常见的网络。与浅层学习相比，深度学习能够实现数据的逐层转换，保证了最有效的特征表达和信息提取。
- CNN对输入数据进行逐层卷积和池化操作。卷积层是CNN 的核心，它利用局部连接和权值共享对输入进行卷积操作，提取数据的深层特征。
- 池化层通过一定的池化规则对卷积层的输出执行池化操作，保留主要特征，同时减少参数数目和计算量，防止过拟合。
- CNN 的特点是能够提取数据中的隐藏特征，并将其逐层结合，生成抽象的高层特征。然而，CNN不具备记忆功能，缺乏对时序数据时间相关性的考虑。
- RNN在学习长期依赖关系时存在梯度消失和爆炸等常见问题，为了解决这一问题，Hochreiter 等人提出了LSTM神经网络
