时序预测
文章平均质量分 78
条件漫步
这个作者很懒,什么都没留下…
展开
-
时间序列异常检测
时序异常检测原创 2022-07-25 20:51:15 · 484 阅读 · 0 评论 -
Prophet
Prophet原创 2022-06-10 23:47:35 · 74 阅读 · 0 评论 -
时间序列聚类、分类
@创建于:2022.05.11@修改于:2022.05.11文章目录1、时序聚类2、时序分类1、时序聚类聚类分析(cluster analysis)简称聚类(clustering),它是数据挖掘领域最重要的研究分支之一,也是最为常见和最有潜力的发展方向之一。聚类分析是根据事物自身的特性对被聚类对象进行类别划分的统计分析方法,其目的是根据某种相似度度量对数据集进行划分,将没有类别的数据样本划分成若干个不同的子集,这样的一个子集称为簇(cluster),聚类使得同一个簇中的数据对象彼此相似,不同簇中的数原创 2022-05-11 21:48:08 · 2806 阅读 · 0 评论 -
Auto-Arima工具包安装、使用
@创建于:2022.03.28@修改于:2022.03.28文章目录1、Auto-Arima介绍2、安装3、代码示例4、参考资料1、Auto-Arima介绍ARIMA是一种非常流行的时间序列预测方法,它是自回归综合移动平均(Auto-Regressive Integrated Moving Averages)的首字母缩写。ARIMA模型建立在以下假设的基础上:数据序列是平稳的,这意味着均值和方差不应随时间而变化。通过对数变换或差分可以使序列平稳。输入的数据必须是单变量序列,因为ARIMA利用过原创 2022-03-28 10:45:25 · 3824 阅读 · 0 评论 -
一文简述如何使用嵌套交叉验证方法处理时序数据 @ 机器之心
本文讨论了对时序数据使用传统交叉验证的一些缺陷。具体来说,我们解决了以下问题:1)在不造成数据泄露的情况下,对时序数据进行分割;2)在独立测试集上使用嵌套交叉验证得到误差的无偏估计;3)对包含多个时序的数据集进行交叉验证。本文主要针对缺乏如何对包含多个时间序列的数据使用交叉验证的在线信息。本文有助于任何拥有时间序列数据,尤其是多个独立的时间序列数据的人。这些方法是在医疗研究中被设计用于处理来自多个参与人员的医疗时序数据的。1、交叉验证交叉验证(CV)是一项很流行的技术,用于调节超参数,是一转载 2021-08-26 15:17:05 · 1046 阅读 · 1 评论 -
DataFrame指数权重窗口ewm使用: DataFrame.ewm([com, span, halflife, …])
@创建于:20210311@修改于:20210311文章目录1、背景2、ewm介绍2.1 DataFrame ewm API接口介绍2.2 参数介绍3、例子3.1 必选参数比较3.2 adjust参数比较3.2 ignore_na参数比较3.2 times参数使用4、参考资料1、背景DataFrame下的指数权重滑窗算法在时间序列预测中较常用。本文对其的使用方法、理论内容和具体例子进行阐述,以方便使用者最快速度掌握。2、ewm介绍2.1 DataFrame ewm API接口介绍此处对应的原创 2021-03-11 17:10:41 · 9575 阅读 · 0 评论 -
DataFrame加权滑窗rolling使用,win_type=‘triang‘详解
@创建于:20210312@修改于:20210312文章目录1、背景2、rolling介绍2.1 DataFrame rolling API介绍2.2 参数介绍3、例子3.1 window例子3.2 win_type=‘triang’例子4、参考链接1、背景2、rolling介绍2.1 DataFrame rolling API介绍此处对应的pandas 版本号是 1.2.2,pandas.DataFrame.rollingDataFrame.rolling(window, min_perio原创 2021-03-12 15:15:29 · 3528 阅读 · 2 评论 -
利用python,创建时序数据
@创建于:20210715@修改于:20210715最近在做时序预测,不想把精力放在各种时序数据的处理上,决定自己生成一些时间序列数据。供研究用。# -*- coding:UTF-8 -*- # datetime:2021/7/15 10:22# software: PyCharm""" 文件说明: 创建时序数据:包括基线、趋势、周期(2种) """import numpy as npimport pandas as pdimport randomimport matplot原创 2021-07-15 18:42:27 · 1167 阅读 · 0 评论 -
transformer理论、pytorch/tensorflow实现、时序预测/文本分类案例
@创建于:20210617@修改于:202106171. transformer理论bilibili:李宏毅老师2020机器学习(深度学习)课程深度学习Transformer模型介绍Transformer理论源码细节详解翻译自The Annotated Transformer【深度学习】Transformer详解2. tensorflow实现及案例2.1 tf官网实现transformerTF官网:理解语言的 Transformer 模型2.2 例子知乎:TF原创 2021-06-17 17:47:25 · 5524 阅读 · 1 评论 -
keras.layers.LSTM、Dense等 传递input_shape参数给第一层
@创建于:20210413@修改于:20210413文章目录1、背景2、指定输入数据的尺寸3、核心网络层没有显式的input_shape, input_dim参数,如何传递的?4、*args与**kwargs使用4.1 *args的用法4.2 **kwargs的用法1、背景在keras.layers的Sequential 顺序模型API中,顺序模型是多个网络层的线性堆叠,可以通过将层的列表传递给Sequential 的构造函数。包含的方法和属性有:model.layers 是包含模型网络层的展平原创 2021-04-13 16:40:34 · 6599 阅读 · 1 评论 -
时间序列数据的ADF检验—adfuller()函数的模型拟合系数介绍
@创建于:20210318@修改于:20210318文章目录1、背景2、单位根检验(Unit Root Test)理论3、python接口解释3.1 adfuller API介绍3.2 参数3.2 输出内容4、实例化参数介绍5、参考资料1、背景在Holt、Holt-Winters(ExponentialSmoothing)、ARMA、ARIMA这样的自回归模型中,模型对时间序列数据的平稳是有要求的,因此,需要对数据或者数据的n阶差分进行平稳检验,而一种常见的方法就是ADF检验,即单位根检验。在数学原创 2021-03-18 13:05:44 · 19694 阅读 · 1 评论 -
Prophet原理、代码实现
@创建于:20210317@修改于:20210317文章目录1、Prophet介绍2、Prophet官网3、Prophet原理4、代码探索1、Prophet介绍Prophet是一个基于加法模型的时间序列数据预测程序,其中非线性趋势用于预测年度、每周和每日的季节性以及假日效应。它非常适用于具有强烈季节性影响或历史数据有周期的时间序列。Prophet对数据缺失和趋势变化非常敏感,通常能够很好地处理异常值。# python依赖方式pip install fbprophet2、Prophet官网原创 2021-03-17 10:51:10 · 1196 阅读 · 0 评论 -
keras中,TimeDistributed层在LSTM中的作用
@创建于:20210414文章目录1、TimeDistributed2、注意问题3、未解决lstm中Param的计算4、参考链接1、TimeDistributedkeras.layers.TimeDistributed(layer)(1)这个封装器将一个层应用于输入的每个时间片。(2)输入至少为3D,且第一个维度应该是时间所表示的维度。例如:32 个样本的一个batch,其中每个样本是10 个16 维向量的序列。那么这个batch 的输入尺寸为(32, 10, 16),而input_shap原创 2021-04-14 15:38:21 · 2285 阅读 · 0 评论 -
指数平滑方法(一次指数平滑、二次指数平滑、三次指数平滑):理论、代码、参数 介绍(全)
@创建于:20210324@修改于:20210324文章目录0、特别说明0.1 参考来源0.2 包版本号1、简介2、一次指数平滑2.1 理论介绍2.2 代码展示2.3 参数介绍3、 二次指数平滑3.1 理论介绍3.1.1 Holt’s linear trend method3.1.2 Damped trend methods3.2 代码展示3.3 参数介绍4、 三次指数平滑4.1 理论介绍4.1.1 Holt-Winters’ additive method4.1.2 Holt-Winters’ mul原创 2021-03-24 18:05:41 · 11797 阅读 · 0 评论 -
时间序列预测 — 指数平滑、因素分解、机器学习、深度学习、数据增强
@创建于:2020.11.09@修改于:2022.05.18...原创 2020-11-09 10:53:15 · 1752 阅读 · 2 评论