actual combat 3——当前时间表示方法 及 世界标准时间格式

如何获取当前时间?
https://blog.csdn.net/m0_67393157/article/details/124266690
我们常用的是第一种方法:

Date date = new Date();
SimpleDateFormat dateFormat= new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
System.out.println(dateFormat.format(date));

注意其中的时间格式:yyyy-MM-dd HH:mm:ss,世界标准时间格式是yyyy-MM-dd HH:mm:ss:SSS

  • yyyy:年
  • MM:月
  • dd:日
  • HH:时
  • mm:分
  • ss:秒
  • SSS:毫秒

其中:一个字母代表一位,像yyyy意思就是四位数(如:2022);字母有大写和小写,目的好像在于区分吧,像MM和mm,前者代表月份,后者代表分钟;HH和hh意思是前者24小时制,后者12小时制。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
时间序列预测是一种常见的问题,可以使用LSTM(长短期记忆)模型来解决。LSTM是一种循环神经网络(RNN),能够有效地捕捉时间序列中的长期依赖关系。 下面是一个使用Python和Keras库实现LSTM模型进行时间序列预测的示例代码: ```python import numpy as np import pandas as pd from keras.models import Sequential from keras.layers import LSTM, Dense # 读取时间序列数据 data = pd.read_csv('data.csv') # 替换为实际的数据文件路径 # 数据预处理 # 将数据拆分为训练集和测试集 train_data = data.iloc[:800] # 使用前800个数据作为训练集 test_data = data.iloc[800:] # 使用后面的数据作为测试集 # 构建特征和标签 def create_dataset(dataset, look_back): X, Y = [], [] for i in range(len(dataset) - look_back): X.append(dataset[i:i + look_back]) Y.append(dataset[i + look_back]) return np.array(X), np.array(Y) look_back = 10 # 定义用于预测的时间步长 train_X, train_Y = create_dataset(train_data, look_back) test_X, test_Y = create_dataset(test_data, look_back) # 构建LSTM模型 model = Sequential() model.add(LSTM(units=50, activation='relu', input_shape=(look_back, 1))) model.add(Dense(units=1)) model.compile(optimizer='adam', loss='mean_squared_error') # 训练模型 model.fit(train_X, train_Y, epochs=100, batch_size=32) # 预测 train_predict = model.predict(train_X) test_predict = model.predict(test_X) # 可视化结果 import matplotlib.pyplot as plt # 绘制训练集和测试集的实际值 plt.plot(np.arange(len(train_data)), train_data, 'b', label='actual') plt.plot(np.arange(len(train_data), len(train_data) + len(test_data)), test_data, 'g', label='actual') # 绘制训练集和测试集的预测值 plt.plot(np.arange(look_back, len(train_predict) + look_back), train_predict, 'r', label='predicted') plt.plot(np.arange(len(train_predict) + look_back, len(train_predict) + look_back + len(test_predict)), test_predict, 'y', label='predicted') plt.legend() plt.show() ``` 在上面的代码中,首先读取时间序列数据,然后将数据拆分为训练集和测试集。接下来,通过定义一个`create_dataset`函数将时间序列数据转换为特征和标签,其中特征是前`look_back`个时间步长的数据,标签是下一个时间步长的数据。然后,使用Keras库构建一个简单的LSTM模型,并编译模型。 训练模型时,使用训练集的特征和标签进行训练。训练完成后,使用训练集和测试集的特征进行预测,并将结果可视化。 请注意,上述代码仅为示例,实际使用时可能需要根据具体情况进行适当调整。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值