时间序列预测
该存储库实现了
时间序列预测
的常用方法，尤其是TensorFlow2中的
深度学习
方法。 如果您有更好的主意，欢迎您贡献力量，只需创建PR。 如有任何疑问，请随时提出问题。
正在进行的项目，我将继续进行改进，因此您可能希望观看/加注此仓库以进行重新访问。
安装所需的库
$ pip install -r requirements.txt
如有必要，下载数据
$ bash ./data/download_passenger.sh
训练模型如果需要，请设置custom_model_params （请参阅./deepts/models/
基于
seq
2
seq
的
时间序列预测
实验（转）
https://zhuanlan.zhihu.com/p/39140472
本文使用
seq
2
seq
模型来
做
若干组
时间序列
的预测任务，目的是验证RNN这种网络结构对
时间序列
数据的pattern的发现能力，并在小范围内探究哪些pattern是可以被识别的，哪些pattern是无法识别的。
本文是受github上一个项目的启发，这个项目是
做
时间...
蛋白质功能预测是指根据蛋白质的序列或结构信息来推断蛋白质的生物学功能。基于
深度学习
方法的蛋白质功能预测已经成为了生物信息学领域的热点之一。下面介绍一些常用的
深度学习
方法和应用于蛋白质功能预测的实例：
1. 卷积神经网络（Convolutional Neural Networks, CNN）
卷积神经网络在图像处理和语音识别等领域中表现出了出色的性能，在蛋白质功能预测中也有广泛的应用。例如，DeepCNF、DeepCov和PconsC等方法都是基于CNN的，它们都
利用
了蛋白质的序列和结构信息来预测蛋白质的功能。
2. 递归神经网络（Recurrent Neural Networks, RNN）
递归神经网络是一种可以处理序列数据的神经网络，它的主要优势在于可以处理可变长度的序列数据。在蛋白质功能预测中，递归神经网络被广泛应用于蛋白质结构预测中。例如，SPOT-
Seq
、DeepFrag和SPOT-Res等方法都是基于RNN的，它们都
利用
了蛋白质的序列和二级结构信息来预测蛋白质的结构和功能。
3. 图卷积神经网络（Graph Convolutional Neural Networks, GCN）
图卷积神经网络是一种可以处理图形数据的神经网络，它可以对节点和边进行卷积操作。在蛋白质功能预测中，图卷积神经网络被广泛应用于蛋白质相互作用预测中。例如，PPI-GCN、PPI-CNN和PPI-PResnet等方法都是基于GCN的，它们都
利用
了蛋白质的结构和互作信息来预测蛋白质的相互作用和功能。
总的来说，
深度学习
方法在蛋白质功能预测中已经取得了一些重要的进展，但是在数据量和质量上还存在一些挑战，未来需要更多的研究来解决这些问题。
