写在前面 时空预测是很多领域都存在的问题，不同于时间序列，时空预测不仅需要探究时间的变化，也需要关注空间的变化。许多预测问题都只片面的关注时间问题，如预测某人未来3年患某种病的概率，食堂就餐人数等，往往忽视了空间问题，如作为决策者，我不仅想知道明天患新冠的人数，而且想知道这些人会在哪些位置发病，以便精准管理。换句话说，决策者更多关注的是人群层面，而干预和施控是工作人员主要关注的问题。空间问题能够

本文主要是有关convLSTM的pytorch实现代码的理解，原理请移步其他博客。 在pytorch中实现LSTM或者GRU等RNN一般需要重写cell，每个cell中包含某一个时序的计算，也就是以下： 在传统LSTM中，LSTM每次要调用t次cell，t就是时序的总长度，如果是n层LSTM就相当于一共调用了n*t次cell class ConvLSTMCell(nn.Module):d

【时间序列预测/分类】 全系列60篇由浅入深的博文汇总：传送门 接上文，本文介绍了ConvLSTM模型实现用电量/发电量预测。 LSTM 处理用电量/发电量预测任务的文章： 【Part1】Encoder-Decoder LSTM 模型 实现用电量/发电量预测 【Part2】CNN-LSTM 模型 实现用电量/发电量预测 【Part3】本文 文章目录 1. ConvLS