Time series Analysis with R（二）

最新推荐文章于 2022-04-12 09:39:15 发布
最新推荐文章于 2022-04-12 09:39:15 发布
阅读量2.9k 收藏 3
点赞数
分类专栏： R 文章标签： R

本文来源： <<Introductory Time Series With R>>

1. Time Series Data

（1）Air passenger bookings

trend：非period
seasonal variation：repeating pattern. 

#########################################################
# Time Series Data
#########################################################

#########################################################
# A flying start:Air passenger bookings
#########################################################
data(AirPassengers)
head(AirPassengers)
AP <- AirPassengers
class(AP)
start(AP)
end(AP)
frequency(AP)


plot(AP, ylab = "Passengers(1000's)")



aggregate：可消除季节的影响，将trend限制在可控制的范围内；

cycle：抽取出每条数据中的season数据

layout(1:2)
layout.show(2)
plot(aggregate(AP))
boxplot(AP ~ cycle(AP))



（2）Decomposition of series

Models

x_t = m_t + s_t + z_t（x_t 是observed series， m_t是trend，s_t是seasonal effect， z_t是error term【服从均值为0的同方差的正态分布】）


（3）smoothing

时间序列平滑预测是指用平均的方法，把时间序列中的随机波动剔除掉，使序列变得比较平滑，以反映出其基本轨迹，并结合一定的模型进行预测。所平均的范围可以是整个序列（整体平均数），也可以是序列中的一部分（局部平均数）

方法：

在将预测评估的时间点前后使用points，当在smoothing algorithm在begin 及end points处的点缺失若干个时，算法仍能与end points相适应时，该序列即可满足要求。

R中的stl方法即是平滑计算的方法，还有filtering


（4）Decompostion in R

data(AirPassengers)
head(AirPassengers)
AP <- AirPassengers
class(AP)
start(AP)
end(AP)
frequency(AP)
plot(AP, ylab = "Passengers(1000's)")
AP.decom <- decompose(AP, 'multiplicative')
plot(AP.decom)
Trend <- AP.decom$trend
Seasonal <- AP.decom$seasonal
ts.plot(cbind(Trend, Trend*Seasonal), lty = 1:2)






（5）随机游走模型

x <- w <- rnorm(1000)
for (t in 2:1000) x[t] <- x[t-1] + w[t]
plot(x, type = 'l')


（6）fitted AR model

wwww = 'http://www.massey.ac.nz/~pscowper/ts/global.dat'
Global <- scan(www)
Global.ts <- ts(Global, st = c(1856, 1), end = c(2005, 12), fr = 12)
Global.ar <- ar(aggregate(Global.ts, FUN = mean), method = "mle") #拟合一个AR模型
mean(aggregate(Global.ts, FUN = mean)) #求Global.ts中各子集的均值
Global.ar$order  #求Global.ar的除数
Global.ar$ar #求Global.ar中ar的coefficient
acf(Global.ar$res[-(1:Global.ar$order)], lag = 50)





2. Regression

Trends： stochastic（随机）或deterministic（确定）

随机趋势：random walk或autoregressive process

确定趋势及季节变动可用regression进行modelled

（1）线型模型


simulation

############################################################
# simulation Z_t是Z_t = 0.8*Z_t-1 + w_t的AR(1)，w_t是白噪声
############################################################
set.seed(1)
z <- w <- rnorm(100, sd = 20)
for (t in 2:100) z[t] <- 0.8*z[t-1] + w[t]
Time <- 1:100
x <- 50 + 3*Time +z
plot(x, xlab = 'time', type = 'l')


Fitted 

############################################################
# Fitted models
############################################################
x.lm <- lm(x~ Time)
coef(x.lm)
vcov(x.lm) #计算一个模型的variance-covariance，返回的是模型的var与co-var
sqrt(diag(vcov(x.lm)))
############################################################
# > vcov(x.lm)
#(Intercept)         Time
#(Intercept)   23.815013 -0.355447951
#Time          -0.355448  0.007038573

#sqrt(diag(vcov(x.lm)))
#(Intercept)        Time 
#4.88006278  0.08389621 
############################################################

acf(resid(x.lm))
pacf(resid(x.lm))




（2）广义最小二乘

library(nlme)
x.gls <- gls(x ~ Time, cor = corAR1(0.8))
coef(x.gls)
sqrt(diag(vcov(x.gls)))

> coef(x.gls)
(Intercept)        Time 
  58.233018    3.042245 
> sqrt(diag(vcov(x.gls)))
(Intercept)        Time 
 11.9245679   0.2024447  


temp.gls <- gls(temp ~ time(temp), cor = corAR1(0.7))
confint(temp.gls)  #confint求置信区间

（3）Linear models with seasonal variables

叠加的季节模型
x_t = m_t + s_t + z_t
（m_t确定趋势，s_t季节趋势，z_t白噪声） 

###########################################
# 预测
###########################################
new.t <- seq(2006, len = 2*12, by = 1/12)
alpha <- coef(temp.lm)[1]
beta <- rep(coef(temp.lm)[2:13], 2)
(alpha*new.t + beta)[1:4]


new .dat <- data.frame9(Time = new.t, Seas = rep(1:12, 2))
predict(temp.ln, new.dat)[1:24]


（4）Harmonic seasonal models

TIME <- seq(1, 12, len = 1000)
plot(TIME, sin(2*pi*TIME/12), type = 'l')
plot(TIME, sin(2*pi*TIME/12) + 0.2* sin(2*pi*2*TIME/12) + 0.1* sin(2*pi*4*TIME/12) + 0.1 * cos(2*pi*4*TIME/12), type = 'l')



###########################################
# Fit to simulated series
###########################################
SIN <- COS <- matrix(nr = length(TIME), nc = 6)
for (i in 1: 6) {
  COS[, i] <- cos(2*pi*i*TIME/12)
  SIN[, i] <- sin(2*pi*i*TIME/12)
} 
x.lm1 <- lm(x~ TIME + I(TIME^2) + COS[, 1] + SIN[,1] +
              COS[,2] + SIN[,2] + COS[, 3] + SIN[,3] +COS[, 4] +
              SIN[,4] + COS[,5] + SIN[,5] + COS[,6] + SIN[,6])
coef(x.lm1)/sqrt(diag(vcov(x.lm1)))

x.lm2 <- lm(x ~ I(TIME^2) + SIN[, 1] + SIN[, 2])
coef(x.lm2)/sqrt(diag(vcov(x.lm2)))

coef(x.lm2)

AIC(x.lm1)
AIC(x.lm2)
AIC(lm(x ~ TIME + I(TIME^2) + SIN[,1] + SIN[,2] + SIN[,4] + COS[,4]))


（5）Logarithmic transformations

data(AirPassengers)
AP <- AirPassengers
plot(AP)
plot(log(AP))
SIN <- COS <- matrix(nr = length(AP), nc = 6)
for (i in 1:6) {
  SIN[, i] <- sin(2*pi*i*time(AP))
  COS[, i] <- cos(2*pi*i*time(AP))
}
TIME <- (time(AP) - mean(time(AP)))/sd(time(AP))
mean(time(AP))
sd(time(AP))
AP.lm1 <- lm(log(AP) ~ TIME + I(TIME^2) + I(TIME^3) + I(TIME^4) +
               SIN[,1] + COS[,1] + SIN[,2] + COS[,2] + SIN[,3] + COS[,3] +
               SIN[,4] + COS[,4] + SIN[,5] + COS[, 5] + SIN[,6] + COS[,6])
coef(AP.lm1)/sqrt(diag(vcov(AP.lm1)))


AP.lm2 <- lm(log(AP) ~ TIME + I(TIME^2) + SIN[,1] + COS[,1] + 
               SIN[, 2] + COS[, 2] + SIN[,3] + SIN[, 4] + COS[, 4] + SIN[,5])
coef(AP.lm2)/sqrt(diag(vcov(AP.lm2)))

AIC(AP.lm1)
AIC(AP.lm2)

acf(resid(AP.lm2))

AP.gls <- gls(log(AP) ~ TIME + I(TIME^2) + SIN[, 1] + COS[,1] +
                SIN[,2] + COS[,2] + SIN[,3] + SIN[,4] + COS[, 4] + SIN[,5],
              cor = corAR1(0.6))
coef(AP.gls)/sqrt(diag(vcov(AP.gls)))

AP.ar <- ar(resid(AP.lm2), order = 1, method = 'mle')
AP.ar$ar

运行结果 

> AP <- AirPassengers
> plot(AP)
> plot(log(AP))
> SIN <- COS <- matrix(nr = length(AP), nc = 6)
> for (i in 1:6) {
+ SIN[, i] <- sin(2*pi*i*time(AP))
+ COS[, i] <- cos(2*pi*i*time(AP))
+ }
> TIME <- (time(AP) ~ mean(time(AP)))/sd(time(AP))
Error in (time(AP) ~ mean(time(AP)))/sd(time(AP)) : 
  non-numeric argument to binary operator
> TIME <- (time(AP) - mean(time(AP)))/sd(time(AP))
> mean(time(AP))
[1] 1954.958
> sd(time(AP))
[1] 3.476109
> AP.lm1 <- lm(log(AP) ~ TIME + I(TIME^2) + I(TIME^3) + I(TIME^4) +
+ SIN[,1] + COS[,1] + SIN[,2] + COS[,2] + SIN[,3] + COS[,3] +
+ SIN[,4] + COS[,4] + SIN[,5] + COS[, 5] + SIN[,6] + COS[,6])
> coef(AP.lm1)/sqrt(diag(vcov(AP.lm1)))
(Intercept)        TIME   I(TIME^2)   I(TIME^3)   I(TIME^4)    SIN[, 1]    COS[, 1] 
744.6853769  42.3818033  -4.1623354  -0.7514937   1.8725575   4.8678543 -26.0548660 
   SIN[, 2]    COS[, 2]    SIN[, 3]    COS[, 3]    SIN[, 4]    COS[, 4]    SIN[, 5] 
 10.3951486  10.0039542  -4.8436269  -1.5601366  -5.6662082   1.9459153  -3.7662018 
   COS[, 5]    SIN[, 6]    COS[, 6] 
  1.0259589   0.1500951  -0.5213860 
> AP.lm2 <- lm(log(AP) ~ TIME + I(TIME^2) + SIN[,1] + COS[,1] +
+ SIN[, 2] + COS[, 2] + SIN[,3] + SIN[, 4] + COS[, 4] + SIN[,5])
> coef(AP.lm2)/sqrt(diag(vcov(AP.lm2)))
(Intercept)        TIME   I(TIME^2)    SIN[, 1]    COS[, 1]    SIN[, 2]    COS[, 2] 
 922.625445  103.520628   -8.235569    4.916041  -25.813114   10.355319    9.961335 
   SIN[, 3]    SIN[, 4]    COS[, 4]    SIN[, 5] 
  -4.789997   -5.612235    1.949391   -3.730666 
> AIC(AP.lm1)
[1] -447.9475
> AIC(AP.lm2)
[1] -451.0749
> acf(resid(AP.lm2))
> AP.gls <- gls(log(AP) ~ TIME + I(TIME^2) + SIN[, 1] + COS[,1] +
+ SIN[,2] + COS[,2] + SIN[,3] + SIN[,4] + COS[, 4] + SIN[,5],
+ cor = corAR1(0.6))
> coef(AP.gls)/sqrt(diag(vcov(AP.gls)))
(Intercept)        TIME   I(TIME^2)    SIN[, 1]    COS[, 1]    SIN[, 2]    COS[, 2] 
 398.841575   45.850520   -3.651287    3.299713  -18.177844   11.768934   11.432678 
   SIN[, 3]    SIN[, 4]    COS[, 4]    SIN[, 5] 
  -7.630660  -10.749938    3.571395   -7.920777 
> AP.ar <- ar(resid(AP.lm2), order = 1, method = 'mle')
> AP.ar$ar
[1] 0.6410685





（6）Non-linear models

set.seed(1)
w <- rnorm(100, sd = 10)
z <- rep(0, 100)
for (t in 2:100) z[t] <- 0.7*z[t-1] + w[t]
Time <- 1:100
f <- function(x) exp(1 + 0.05*x)
x <- f(Time) +z
plot(x, type = 'l')
abline(0,0)

x.nls <- nls(x ~ exp(apl0 + apl1*Time), start = list(apl0 = 0.1, apl1 = 0.5))
summary(x.nls)$parameters


运行结果：

> set.seed(1)
> w <- rnorm(100, sd = 10)
> z <- rep(0, 100)
> for (t in 2:100) z[t] <- 0.7*z[t-1] + w[t]
> Time <- 1:100
> f <- function(x) exp(1 + 0.05*x)
> x <- f(Time) +z
> plot(x, type = 'l')
> abline(0,0)
> x.nls <- nls(x ~ exp(apl0 + apl1*Time), start = list(apl0 = 0.1, apl1 = 0.5))
> summary(x.nls)$parameters
       Estimate   Std. Error  t value     Pr(>|t|)
apl0 1.17640122 0.0742954415 15.83410 9.204016e-29
apl1 0.04828424 0.0008188461 58.96619 2.347533e-78

（7）Forecasting from regression

new.t <- time(ts(start = 1961, end = c(1970, 12), fr = 12))
TIME <- (new.t - mean(time(AP)))/sd(time(AP))
SIN <- COS <- matrix(nr = length(new.t), nc = 6)
for ( i in 1:6) {
  COS[, i] <- cos(2*pi*i*new.t)
  SIN[, i] <- sin(2*pi*i*new.t)
}
SIN <- SIN[, -6]
new.dat <- data.frame(TIME = as.vector(TIME), SIn= SIN, COS = COS)
AP.pred.ts <- exp(ts(predict(AP.lm2, new.dat), st = 1961, fr = 12))
ts.plot(log(AP), log(AP.pred.ts), lty = 1:2)
ts.plot(AP, AP.pred.ts, lty = 1:2)



（8）Inverse transform and bias correction

set.seed(1)
sigma <- 1
w <- rnorm(1e+06, sd = sigma)
mean(w)
mean(exp(w))
exp(sigma^2/2)



summary(AP.lm2)$r.sq
sigma <- summary(AP.lm2)$sigma
lognorm.correction.factor <- exp((1/2)*sigma^2)
empirical.correction.factor <- mean(exp(resid(AP.lm2)))
lognorm.correction.factor
empirical.correction.factor

AP.pred.ts <- AP.pred.ts*empirical.correction.factor

> set.seed(1)
> sigma <- 1
> w <- rnorm(1e+06, sd = sigma)
> mean(w)
[1] 4.690776e-05
> mean(exp(w))
[1] 1.64861
> exp(sigma^2/2)
[1] 1.648721
> summary(AP.lm2)$r.sq
[1] 0.9888318
> sigma <- summary(AP.lm2)$sigma
> lognorm.correction.factor <- exp((1/2)*sigma^2)
> empirical.correction.factor <- mean(exp(resid(AP.lm2)))
> lognorm.correction.factor
[1] 1.001171
> empirical.correction.factor
[1] 1.00108
> AP.pred.ts <- AP.pred.ts*empirical.correction.factor


3.平稳时间序列与非平稳时间序列 

（1）平稳时间序列

simulation and fitting

set.seed(1)
x <- arima.sim(n = 10000, list(ar = -0.6, ma = 0.5))
coef(arima(x, order = c(1, 0, 1)))
set.seed(1)
> x <- arima.sim(n = 10000, list(ar = -0.6, ma = 0.5))
> coef(arima(x, order = c(1, 0, 1)))
         ar1          ma1    intercept 
-0.596966371  0.502703368 -0.006571345 

（2）非平稳时间序列

simulation and fitting

set.seed(1)
x <- w <- rnorm(1000)
for ( i in 3:1000) x[i] <- 0.5 * x[i-1] + x[i - 1] - 0.5 * x[i - 2] + w[i] + 0.3 * w[i-1]
arima(x, order = c(1, 1 , 1))

x <- arima.sim(model = list(order = c(1, 1, 1), ar = 0.5, ma = 0.3), n = 1000)
arima(x, order = c(1, 1, 1))


> set.seed(1)
> x <- w <- rnorm(1000)
> for ( i in 3:1000) x[i] <- 0.5 * x[i-1] + x[i - 1] - 0.5 * x[i - 2] + w[i] + 0.3 * w[i-1]
> arima(x, order = c(1, 1 , 1))

Call:
arima(x = x, order = c(1, 1, 1))

Coefficients:
         ar1     ma1
      0.4235  0.3308
s.e.  0.0433  0.0450

sigma^2 estimated as 1.067:  log likelihood = -1450.13,  aic = 2906.26
> x <- arima.sim(model = list(order = c(1, 1, 1), ar = 0.5, ma = 0.3), n = 1000)
> arima(x, order = c(1, 1, 1))

Call:
arima(x = x, order = c(1, 1, 1))

Coefficients:
         ar1     ma1
      0.5567  0.2502
s.e.  0.0372  0.0437

sigma^2 estimated as 1.079:  log likelihood = -1457.45,  aic = 2920.91

季节ARIMA模型






GARCH series



fit  example




4. Long-Memory Processes

library(fracdiff)
set.seed(1)
fds.sim <- fracdiff.sim(10000, ar = 0.9, d = 0.4)
x <- fds.sim$series
fds.fit <- fracdiff(x, nar = 1)

n <- lenght(x)
L <- 30
d <- fds.fit$d
fdc <- d
fdc[1] <-fdc
for (k in 2:L) fdc[k] <- fdc[k-1] * (d + 1 - k) / k
y <- rep(0, L)

for (i in (L+1) : n) {
  csm <- x[i]
  for (j in 1: L) csm <- csm + ((-1)^j)*fdc[j]*x[i-j]
  y[i] <- csm
}

y <- y[(L+1): n]
z.ar <- ar(y)
ns <- 1 + z.ar$order
z <- z.ar$res [ns: length(y)]
par(mfcol = c(2, 2))
plot(as.ts(x), ylab = 'x')
acf(x); acf(y); acf(z)

summary(fds.fit)
ar(y)


5. Spectral Analysis

（1）periodic signals

periodic signals： 周期性的发生

周期，频率

（2）Spectrum

sine波

cosin波

（3）Spectral of simulated series

layout(1:2)
set.seed(1)
x <- rnorm(2048)
spectrum(x, log = c("no")) #默认的为log方法进行处理，此处我们将log设置为no
spectrum(x, log = c("no"), span = 65)#span是有关滑动平均的


（4）Discrete Fourier Transform（DFT）离散傅立叶转换

6. State Space Models




























feng_lilan
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言实战应用精讲50篇（十七）--使用R语言实现时间序列分析
wenyusuran的专栏
10-26 2890
方法简介 时间序列是按时间顺序的一组数字序列。时间序列分析（time series analysis）就是利用这组数列，基于随机过程理论和数理统计学方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势；二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。时间序列预测一般反映三种实际变化规律：趋势变化、周期性变化、随机性变化。 时间序列分析一般采用曲线.
Time Series Analysis and Its Applications With R Examples 4th 2017
11-02
经典的时间序列分析书籍，有丰富的R实例，很实用，但是准备好对付难懂得公式，可以配合其他容易读懂得教科书来辅助学习。
Time Series Analysis_ With Applications in R 第一章
hartfo的博客
04-12 698
​ 时间序列分析-R 第 1 章 引言 从随时间顺序收集的观察中获得的数据非常普遍。在商业中，我们观察每周利率、每日收盘价、每月价格指数、年度销售数据等等。在气象学中，我们观察每日的高温和低温、年降水量和干旱指数以及每小时的风速。在农业领域，我们记录了作物和牲畜生产、土壤侵蚀和出口销售的年度数据。在生物科学中，我们以毫秒为间隔观察心脏的电活动。在生态学中，我们记录了动物物种的丰度。研究时间序列的领域列表实际上是无穷无尽的。时间序列分析的目的通常是双重的：理解或模拟产生观察序列的随机机制，并根据该序列的历史以
Time series Analysis with R
小凤的博客
10-08 1万+
1. examples 1.1 洛杉矶年降水
Introductory Time Series with R 原版pdf by Cowpertwait & Metcalfe
05-05
R has a command line interface that offers considerable advantages over menu systems in terms of efficiency and speed once the commands are known and the language understood. However, the command line system can be daunting for the first-time user, so there is a need for concise texts to enable the student or analyst to make progress with R in their area of study. This book aims to fulfil that need in the area of time series to enable the non-specialist to progress, at a fairly quick pace, to a level where they can confidently apply a range of time series methods to a variety of data sets. The book assumes the reader has a knowledge typical of a first-year university statistics course and is based around lecture notes from a range of time series courses that we have taught over the last twenty years. Some of this material has been delivered to postgraduate finance students during a concentrated six-week course and was well received, so a selection of the material could be mastered in a concentrated course, although in general it would be more suited to being spread over a complete semester.
Time Series Analysis With Applications in R.zip
06-29
Cryer Kung-Sik Chan 时间序列预测——基于R语言《Time Series Analysis With Applications in R》Jonathan D. Cryer Kung-Sik Chan 时间序列预测——基于R语言《Time Series Analysis With Applications in R》...
Multivariate Time Series Analysis: With R and Financial Applications
11-24
Multivariate Time Series Analysis: With R and Financial Applications。多元时间序列分析的经典书籍
基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记
最新发布
12-21
基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series ...
Time Series Analysis with Applications in R, Second Edition
08-16
通过以上内容可以看出，《Time Series Analysis with Applications in R, Second Edition》这本书涵盖了时间序列分析的基础理论、实际应用以及R语言的操作实践。对于希望深入学习时间序列分析及其在R语言中实现的...
time series analysis-时间序列分析，（美）詹姆斯 D.汉密尔顿 著
11-18
当代经济学教科书译丛，中国科学出版社，不仅提供了关于时间序列专题的晓畅的处理，而且关心现代宏观经济和金融理论，包括了向量自回归、广义矩方法、自回归条件异方差以及单位根的内容。
time series
10-13
这本书讲解时间序列全面，逻辑结构强，是一本难得的好书
时间序列 R 07 时间序列分解 Time series decomposition
It_BeeCoder的博客
10-16 2723
一个时间序列可以分解为多个模型的组合 1.1 时间序列的组成 1.1.1 时间序列组成模式 三种时间序列模式（不计剩余残差部分）  1. 趋势Tend ：比如线性趋势，先增加后降低的整体趋势  2. 季节性Seasonal ：以时间为固定周期，呈现循环的特性  3. 周期性Cyclic：在以不固定周期不断震荡，通常周期性至少持续2年  下图就是讲时间序列分解之后的结果，应该比较容易理解上面的...
下载！Springer 面向公众开放数据挖掘、编程、机器学习、数学、深度学习、数据科学等 65本电子书籍...
code小生
05-20 1548
点击上方“逆锋起笔”，关注领取视频教程☞ 程序员进阶必备资源免费送「各种技术！」 ☜转载自 | AINLP施普林格（Springer）是世界著名的科技期刊、图书出版公司，这次特殊时期期间...
Web Analytics 2.0 学习笔记 （一）
yolanda的数据分析进阶记录
11-27 537
虽然网站分析可以追踪到网站上每个人的每一次点击，但是对实际操作并没有很大帮助，根本原因在于分析师与营销人员（marketers）仅仅从很悠闲的角度去观察这些网站上的数据，并把眼光局限于点击流数据（clickstream data）。 本章重点： 　　- 网站分析现状 　　- 行业现状 　　- 重新审视网站分析 　　- 变革：我们可以实现 1. 数据困境 缺乏数据，不能做出完整的决策；即使有了大...
MFS Analyzer 2.0 手册
MFS Analyzer 2主页
12-02 2494
1.    简介MFS Analyzer是一款播放和分析CMMB（中国移动多媒体广播）的MFS文件的工具。支持两种模式的MFS文件，提供多种详细分析和音视频播放的功能。2.    主要功能 本软件提供的主
AR time series analysis
Mappy93的专栏
12-09 375
Too few periods for decompose() [closed] Your time series, however you created it, has no seasonal cycles or less than 2 seasonal cycles. (This may not indicate that the data are not seasonal; possi...
Spark-TimeSeries使用方法
热门推荐
qq_30232405的博客
04-24 1万+
1.spark里面的库是没有时间序列算法的，但是国外有人已经写好了相应的算法。其github网址是:https://github.com/sryza/spark-timeseries   但基本国内没有太多的资料，所以自己想写一个造福一下后来者。   2.github项目里面的Time-Series Data格式： （1）假如有如下的数据格式： 其中timestamp很显然
模型训练过程中产生NAN的原因分析
dong_liuqi的博客
07-29 1万+
模型训练过程中产生NAN的原因分析 在模型的训练过程中发现，有时在经过多轮训练后loss会突然变为nan。loss变为nan也就使权重更新后的网络里的参数变为了nan，这样就使整个训练无法再进行下去了。 1. nan的来源 从调试情况来看nan出现的顺序是：loss的梯度 --> 网络的参数 --> 预测的结果 --> loss本身。 注意，第一个出现问题的应该是loss的梯度。 2. 可能1：torch.sqrt() 一般sqrt函数的定义域为：[0,无穷大) torch.sqrt()的
time series analysis with python cookbook
10-06
"Time Series Analysis with Python Cookbook"是一本关于使用Python进行时间序列分析的实用手册。这本书旨在帮助读者理解和应用时间序列数据分析的概念和方法。 首先，本书通过介绍基本的时间序列数据结构和特征，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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