温馨提示：由于个人手机设置不同，如果发现不能下载，请复制以下地址【https://www.wenke99.com/d-15160545.html】到电脑端继续下载（重复下载不扣费）。
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。 2: 试题试卷类文档，如果标题没有明确说明有答案则都视为没有答案，请知晓。 3: 文件的所有权益归上传用户所有。 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。 5. 本站仅提供交流平台，并不能对任何下载内容负责。 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
本文（如何利用Transformerbased模型对价格进行“天气预报”.docx）为本站会员（bo****9）主动上传，文客久久仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私，请立即通知文客久久（发送邮件至hr@wenke99.com或直接QQ联系客服），我们立即给予删除！
一、引言在上篇报告中，我们讨论了短期时序预测的方法，优化后的预测模型在短 期预测中取得较好的拟合效果。然而，在现实生活中，短期价格预测对策略帮 助有限，需得对未来价格进行长周期预测才能更充分地对行情进行判断。在上 篇报告中介绍的 RNN 系列网络使用的是递归结构，因此只能进行单向依次计算，限制了模型的并行能力。同时，RNN 系列网络存在长期依赖问题，随着时间推移， RNN 会忘记较长时间之前的信息，从而造成梯度消失和梯度爆炸现象。因此， RNN 等网络只能进行短期预测。近几年越来越多的学者尝试将 Transformer 运用 在长序列预测中，Transformer 自 2017 年被提出后在 NLP 和 CV 领域取得巨大的 成功，是第一个完全依赖自注意力机制来捕捉输入与输出信息关系的传导模型。自注意力机制保留该时刻信息与先前所有时刻信息的直接连接，能够缓解梯度 消失和梯度爆炸的问题，允许信息在更长的序列上传播。同时，Transformer 不 是类似 RNN 的顺序结构使用，具有更好的并行性，符合现有的 GPU 框架。然而， Transformer 存在三大挑战： 二
Copyright © 2018-2021 Wenke99.com All rights reserved
工信部备案号：浙ICP备20026746号-2
公安局备案号：浙公网安备33038302330469号
本站为C2C交文档易平台，即用户上传的文档直接卖给下载用户，本站只是网络服务中间平台，所有原创文档下载所得归上传人所有，若您发现上传作品侵犯了您的权利，请立刻联系网站客服并提供证据，平台将在3个工作日内予以改正。
