基于时序预测的automl有哪些

基于时序预测的AutoML主要包括：

1. Facebook的Prophet
2. Google的AutoRegressive Integrated Moving Average (ARIMA)
3. Amazon的DeepAR
4. H2O.ai的AutoML
5. PyCaret的AutoTS

这些AutoML都可以自动选择时序分析模型，并对模型进行训练和评估，以预测时序数据。

相关问题

时序数据做预测有哪些方法

时序数据预测的方法很多，下面列举一些常见的方法：

1. 指数平滑法：适用于数据的变化较为平稳的情况，能够较好地捕捉数据的趋势和季节性变化。

2. ARIMA模型：适用于数据存在自相关性和平稳性的情况，可以通过对时序数据进行差分来实现平稳性。

3. Prophet模型：由Facebook开发，适用于数据存在季节性和非线性趋势的情况。

4. LSTM神经网络模型：适用于数据存在长期依赖性和非线性趋势的情况，能够较好地捕捉时间序列数据的变化规律。

5. 卷积神经网络模型：适用于数据存在局部相关性和周期性的情况，比如图像识别和音频处理等领域。

6. 随机森林模型：适用于数据存在多个变量和非线性趋势的情况，能够对数据进行特征筛选和降维。

需要根据具体的数据特点和预测需求来选择合适的方法。

基于GAN的时序信号生成模型有哪些

基于GAN的时序信号生成模型有：

1. SeqGAN：基于强化学习的序列生成模型，通过生成器和判别器的博弈来学习生成高质量的离散序列。

2. WaveGAN：基于GAN的声音合成模型，通过生成器和鉴别器的对抗训练来生成高质量的音频信号。

3. TSGAN：基于GAN的时序数据生成模型，通过生成器和判别器的博弈来学习生成高质量的连续时序数据。

4. T-GAN：基于GAN的时序数据生成模型，通过将时序数据划分成不同时间段，并使用不同的生成器和鉴别器来生成高质量的时序数据。

5. MIDI-GAN：基于GAN的MIDI音乐生成模型，通过生成器和判别器的博弈来学习生成高质量的MIDI序列。

6. TGIF-GAN：基于GAN的时序图像生成模型，通过生成器和判别器的博弈来学习生成高质量的时序图像序列。

7. ST-GAN：基于GAN的时空数据生成模型，通过生成器和鉴别器的博弈来学习生成高质量的时空数据序列。