m0_51324446的博客

1.摘要一般而言，序列模型与循环网络（recurrent networks）关系紧密(由于RNN的循环自回归结构能较好地表达出时间序列)。而传统的卷积网络（convolutional networks）由于卷积核大小的限制，对于长时间的依赖信息不能较好地抓取。但是，研究发现，一些特殊的卷积神经网络模型在音频合成、机器翻译等任务上效果比递归神经网络更好。那么，对于一个新的任务，怎么选取网络结构呢？本文使用大量数据集对模型进行评估，发现简单的卷积结构在数据集的表现优于典型的循环网络（如LSTMs），

1.概述选择了新的神经网络架构，对时间模型进行样本卷积和交互，进而选择更优的时间关系特征(temporal relation features)，应用至时间序列预测中。架构：下采样-卷积-交互（downsample-convolve-interact architecture）作用：扩展卷积操作的感受野(receptive field/RF)，进行多分辨率分析(multi-resolution analysis)，最终使提取的时间关系特征具有强可预测性。2.相关知识补充感受野在典型

1.乘法季节性默认情况下，Prophet 适合加法季节性，即可以将季节性的影响添加到趋势项中。但有的情况下，时间序列有一个明显的年周期，但是预测的季节性波动较大，可能在时间序列开始时太大而结束时太小。 于是在这种情况下，季节性并不是 Prophet 中假设的恒定附加因素，而是随趋势增长。这就体现了乘法季节性。导入数据集，完成初始化设置import pystanimport fbprophetimport pandas as pdfrom fbprophet import Prophe

1.简介如果数据中囊括的时间段包括了假期或其他有重复性的特殊事件，必须为它们创建一个数据框(datadraft)。 该数据框需要包括有两列：holiday 、ds，每出现一个节假日或特殊事件有一行。数据框需要包括假期的所有事件，包括过去（历史数据）和未来（预测）。2.节日影响范围设置考虑到节日或事件的影响不一定局限在某一天，可以设置节日所影响的时间区间，在数据框中加入两列，分别是区间下界lower_window 和 区间上界upper_window ，从而将假期影响值延长到范围为 [lowe

1.变化点自动检测指定增长速率可变的点来检测变化点，先对速率变化幅度进行L1正则化。默认情况下，Prophet 指定了 25 个变化点，均匀地放置在时间序列的前 80% 中。 图中的垂直线表示变化点的位置。可以使用参数 n_changepoints 设置潜在变化点的数量，通过调整正则化可以更好地调整。 变化点的位置可以通过以下方式可视化>>> import pystan>>> import fbprophet>>> import pan

1.安装Anaconda很久之前装的了，忘了，略过2.安装pystan打开Anaconda Promopt(base) C://... >conda install pystan可能是因为已经安装过visual studio c++，pystan的安装挺顺利的，好像就在[Y]/N那里输入了个Y，然后就连续几个done顺利安装了3.安装fbprophetconda install -c conda-forge fbprophet然后有个报错，...

一、模型概述1.1 适用场景Facebook开源的时间序列预测算法，适用于具有规律的数据，适用情景如下：a.有至少几个月（最好是一年）的每小时、每天或每周观察的历史数据； b.有多种人类规模级别的较强的季节性趋势：每周的一些天和每年的一些时间； c.有事先知道的以不定期的间隔发生的重要节假日（比如国庆节）； d.缺失的历史数据或较大的异常数据的数量在合理范围内； e.有历史趋势的变化（比如因为产品发布）； f.对于数据中蕴含的非线性增长的趋势都有一个自然极限或饱和状态。1.2 模型输