所有项目已全部上传至Github，小伙伴可以前往学习：

深度学习时间序列预测方法案例

📢 数据集介绍

📢 RNN篇

（一）：GRU实现时间序列预测(PyTorch版)

（二）：LSTM实现时间序列预测(PyTorch版)

（三）：RNN实现时间序列预测(PyTorch版)

（四）：BiLSTM(双向LSTM)实现时间序列预测(PyTorch版)

📢 CNN篇

（一）：CNN(一维卷积Conv1D)实现时间序列预测(PyTorch版)

（二）：CNN(二维卷积Conv2D)实现时间序列预测(PyTorch版)

📢 模型融合篇

（一）：LSTM+CNN实现时间序列预测(PyTorch版)

（二）：LSTM+注意力机制(Attention)实现时间序列预测(PyTorch版)

（三）：CNN+注意力机制(Attention)实现时间序列预测(PyTorch版)

（四）：CNN+LSTM+Attention实现时间序列预测(PyTorch版)

📢 MLP篇

📢 注意力篇

📢 时间卷积网络篇

📢 其它模型篇

📢 注意信息

📢 单变量、多变量篇

（一）：LSTM实现单变量时间序列预测(PyTorch版)

（二）：LSTM实现多变量时间序列预测(PyTorch版)

📢 多步预测篇

（一）：时间序列多步预测经典方法总结

（二）：LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 直接多输出

（三）：LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 递归多步预测（单步滚动预测）

（四）：LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 直接多步预测（多模型单步预测）

（五）：LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 直接递归混合预测（多模型滚动预测）

（六）：LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— Seq2Seq多步预测