时序实验室

通用项目结构讲解

了解深度学习时序项目的标准结构，包括数据加载、模型定义、训练循环、评估模块等。掌握通用的代码组织方式，方便后续快速复现论文。

文本与时序库代码结构讲解

学习常用时序库（如TSlib、GluonTS）的代码结构，理解如何利用现有框架快速搭建实验。

通过一个完整的时序预测项目，从数据准备到模型训练到结果评估，跑通整个流程。建立对时序项目的整体认知。

• 结构化数据介绍：什么是结构化数据，表格数据的特点
• 常见数据处理方式：缺失值填充、异常值处理、数据清洗
• 数据可视化：用图表直观展示数据分布和特征

• 时序数据介绍：时间序列的基本概念，采样频率、时间窗口
• 常见数据处理方式：归一化、差分、平滑、重采样
• 数据可视化：时序图、趋势图、季节性分解图
• 自相关性与偏自相关性：ACF和PACF分析，理解序列的依赖关系

• 文本数据介绍：文本数据的特点，与时序的结合场景
• 常见数据处理方式：分词、向量化、序列编码

综合运用上面学到的预处理方法，完成一个完整的数据准备流程。构建滑动窗口数据集，准备好模型训练所需的输入输出格式。

• LSTM：通过门控机制解决长期依赖问题，时序预测的经典模型
• Informer：稀疏自注意力机制，高效处理长序列预测

• TCN：时序卷积网络，用因果卷积和膨胀卷积处理时序
• TimesNet：将一维时序转换为二维张量，捕捉周期性模式

• Anomaly Transformer：基于Transformer的异常检测模型，利用关联差异识别异常

• Bert：双向编码器，用于序列理解和表征学习
• GPT：自回归生成模型，用于序列生成任务

• 不同模型的优缺点：了解各模型的适用场景和局限性
• 选择合适模型方法：根据数据特点和任务需求选择最优方案

• 结构化数据增强：SMOTE、数据合成等方法
• 时序数据增强：窗口切片、加噪声、时间扭曲
• 文本数据增强：回译、同义词替换、随机删除

• 结构化特征增强：特征交叉、多项式特征
• 时序特征增强：滞后特征、滚动统计特征、频域特征
• 文本特征增强：词向量、预训练嵌入

• 常见超参：学习率、批大小、隐藏层维度、层数等
• 常见的调参经验：调参顺序、搜索策略、早停技巧

• 权重剪枝：移除不重要的权重连接
• 神经元剪枝：移除不重要的神经元
• 整数量化：将浮点权重转为整数
• 低位量化：使用更少的位数表示权重
• 动态量化：运行时动态量化

• 粒子群优化算法：群体智能优化超参数
• 鲸鱼优化算法：仿生优化算法
• 调参工具Optuna：自动化超参数搜索

• 加模块：添加注意力机制、残差连接等模块
• 替换模块：用更强的模块替换原有组件
• 轻量化：知识蒸馏、模型压缩

• 全量微调：微调所有参数
• PEFT：参数高效微调（LoRA、Adapter等）
• 提示词微调：Prompt Tuning

• 数据特征工程角度：从数据和特征层面寻找创新点
• 模型自身角度：改进模型结构、融合多种模型
• 训练框架角度：改进训练策略、损失函数设计

学会设计完整的实验方案，包括对比实验、消融实验、参数敏感性分析等。掌握论文中实验部分的写作规范和图表制作。

• 论文班：论文写作、投稿流程、审稿应对
• 国际前沿：最新研究进展、顶会论文解读