文章预览
来源：DeepHub IMBA 本文 约3800字 ，建议阅读 8 分钟 本文提供了一个用于解决 Kaggle 时间序列预测任务的 encoder-decoder 模型。 Encoder-decoder 模型在序列到序列的自然语言处理任务（如语言翻译等）中提供了最先进的结果。多步时间序列预测也可以被视为一个 seq2seq 任务，可以使用 encoder-decoder 模型来处理。本文提供了一个用于解决 Kaggle 时间序列预测任务的 encoder-decoder 模型，并介绍了获得前 10% 结果所涉及的步骤。 数据集 所使用的数据集来自过去的 Kaggle 竞赛 —— Store Item demand forecasting challenge，给定过去 5 年的销售数据（从 2013 年到 2017 年）的 50 个商品来自 10 家不同的商店，预测接下来 3 个月（2018 年 1 月 1 日至 2018 年 3 月 31 日）每个商品的销售情况。这是一个多步多元的时间序列预测问题。 特征也非常的少。 有500个商店组合，这意味着要预测500
………………………………
