前程算法屋的博客

经济数据预测 | Python实现ELM极限学习机股票价格时间序列预测

深度学习算法 | Python实现深度学习调参（RNN、CNN）

模式分类识别 | Python实现基于Xboost的股票走势识别预测

时间序列分析 | Python实现LazyProphet时间序列分析

经济数据预测 | Python实现机器学习(MLP、XGBoost)金融市场预测

模式分类识别 | Python实现基于LSTM-CNN的深度学习模式分类识别

交通状态预测 | Python实现k-近邻算法目录交通状态预测 | Python实现k-近邻算法基本介绍工作原理程序设计参考资料基本介绍KNN，全名k近邻算法。是⼀种⾮常简单有效的机器学习算法。KNN是通过计算不同特征值距离作为分类依据，即计算⼀个待分类对象不同​特征值与样本库中每⼀个样本上对应特征值的差值，将每个维度差值求和也就得到了该组数据与样本之间的距离，⼀般使⽤欧式距离进⾏计算，通过对所有样本求距离，最终得到离待分类对象最近的K个样本，将这K个点作为分类依据。优点：精度高、对异常值不敏感

经济数据预测| Python实现金融时间序列数据DateTime方法目录经济数据预测| Python实现金融时间序列数据DateTime方法基本介绍程序设计总结基本介绍对于 Pandas 来说，可以处理众多的数据类型，其中最有趣和最重要的数据类型之一就是时间序列数据。时间序列数据无处不在，它在各个行业都有很多应用。患者健康指标、股票价格变化、天气记录、经济指标、服务器、网络、传感器和应用程序性能监控都是时间序列数据的应用方向。我们可以将时间序列数据定义为在不同时间间隔获得并按时间顺序排列的数据点的

时间序列分析 | Python实现时序周期可视化目录时间序列分析 | Python实现时序周期可视化基本介绍方法介绍总结基本介绍经典的时序分解方法是基于STL（季节，趋势）的，所以季节性分量是几乎每个时序的重要组成。今天介绍一下季节分量的可视化，想要可视化季节分量，一般我们需要思考两个变量：我们需要观察的季节周期是多少（Period_min）？我们想要同比的周期是多少（Period_max）？为了更好的解释，我把这两个变量分别称为Period_min 和Period_max。方法介绍

股票价格预测 | Python实现LSTM股票价格时间序列预测目录股票价格预测 | Python实现LSTM股票价格时间序列预测基本介绍数据集程序下载总结基本介绍长短时记忆(LSTM)是一种能增加递归神经网络（RNN）记忆的模型。递归神经网络保留短期记忆，因为它们允许在当前神经网络中更早地确定信息。对于即时任务，RNN使用早期的数据，但我们可能没有利用神经元所有的早期信息。在RNN中，LSTM得到了广泛的应用。视频、自然语言处理、地理空间和时间序列等多个应用领域中，都证实了LSTM的有效性。RN

时间序列分析 | Python实现Auto-TS时间序列预测目录时间序列分析 | Python实现Auto-TS时间序列预测基本介绍模型描述程序设计研究总结参考资料基本介绍Auto-TS 是 AutoML 的一部分，它将自动化机器学习管道的一些组件。这自动化库有助于非专家训练基本的机器学习模型，而无需在该领域有太多知识。在本文中，小猴子和你一起学习如何使用 Auto-TS 库自动执行时间序列预测模型。模型描述它是一个开源 Python 库，主要用于自动化时间序列预测。它将使用一行代码自动训练

时间序列分析 | Python时间序列预测理论一览目录时间序列分析 | Python时间序列预测理论一览基本介绍特性描述建模方法规则介绍模型分类传统时序模型树模型线性回归神经网络模型学习总结基本介绍时间序列预测（Time Series Prediction），就是给出某个量历史一段时间中的变化情况，以预测未来一段时间内（或未来一个时刻）的变化情况。按照给出的历史数据变量可以进行进一步划分：一种只提供需要预测量自己的历史数据，也可称为自回归预测；另一种则同时给出其他变量，例如要预测未来几天温度，在给出

时间序列预测 | Python实现CNN-LSM模型时间序列预测目录时间序列预测 | Python实现CNN-LSM模型时间序列预测基本介绍环境准备程序设计数据处理模型搭建结果分析模型评估总结基本介绍这篇文章将带大家通过Tensorflow框架搭建一个基于CNN-LSTM的简单股票价格预测模型，这个模型首先是将一个窗口的股票数据转换为一个2D的图像数据，然后通过CNN进行特征提取。文中，通过64个filter来进行特征提取，之后通过Relu函数进行激活，接着通过max-pooling进行池化处理，

时间序列预测 | Python实现Prophet、ARIMA、LSTM时间序列数据预测目录时间序列预测 | Python实现Prophet、ARIMA、LSTM时间序列数据预测数据描述特征工程构建模型程序设计致谢数据描述首先读取数据，并找到对应的日期列from datetime import datetime, date df['date'] = pd.to_datetime(df['date'], format = '%d/%m/%Y')其中特征列为Rainfall、Temperatu

时间序列预测 | Python实现梯度提升时间序列数据预测目录时间序列预测 | Python实现梯度提升时间序列数据预测基本介绍知识回顾实验方法程序设计总结基本介绍基于树的算法在机器学习生态系统中是众所周知的，它们以主导表格的监督任务而闻名。在学习过程中，树的分裂标准只关注相关特征和有用值的范围，所以给定一组表格特征和要预测的目标，无需太多配置和特定的预处理就可以得到令人满意的结果。但是基于树和梯度提升模型在时间序列预测领域的表现并不好，很多人更倾向于深度学习的方法。这并不奇怪，因为基于树的模型

时间序列预测 | Python实现LSTM多变量时间序列数据预测目录时间序列预测 | Python实现LSTM多变量时间序列数据预测基本介绍程序设计参考资料基本介绍时间序列分析（Time-Series Analysis）是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测，提取图像有关特征，并分析其变化过程与发展规模。当然，首先需要根据检测对象的时相变化特点来确定遥感监测的周期，从而选择合适的遥感数据。

时间序列预测 | Python实现Transformer时间序列数据预测目录时间序列预测 | Python实现Transformer时间序列数据预测基本介绍Transformer设计Transformer预测参考资料基本介绍Transformer模型最初由Google团队于2017年提出并应于机器翻译，其抛弃了传统循环神经网络提取序列信息的方式，开创性的提出了注意力机制实现快速并行，改进了循环神经网络训练慢的缺点。该模型的特点：完全基于注意力机制，完全摒弃了递归和卷积。它是一种模型架构，避免了

时间序列预测 | Python实现时间序列异常数据处理文章目录时间序列预测 | Python实现时间序列异常数据处理异常检测程序设计异常检测可视化相关资料异常检测异常检测（Anomaly detection）是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于现实世界的很多领域，例如量化交易，网络安全检测、自动驾驶汽车和大型工业设备的日常维护。以在轨航天器为例，由于航天器昂贵且系统复杂，未能检测到危险可能会导致严重甚至无法弥补的损害。异常

时间序列预测 | Python实现ARIMA时间序列预测目录时间序列预测 | Python实现ARIMA时间序列预测基本介绍程序设计自回归 (AR)移动平均线 (MA)自回归移动平均线 (ARMA)自回归综合移动平均线 (ARIMA)季节性自回归综合移动平均 (SARIMA)参考资料致谢基本介绍时间序列预测是机器学习中一个经常被忽视的重要领域。时间序列在观察之间添加了显式的顺序依赖性：时间维度。这个额外的维度既是一个约束，也是一个提供额外信息来源的结构。使用经典统计时，主要关注的是时间序列的分析

数据预测分析 | Matlab实现TCN时间卷积网络数据预测分析目录数据预测分析 | Matlab实现TCN时间卷积网络数据预测分析基本介绍数据下载程序设计参考资料致谢基本介绍此示例说明如何使用通用时间卷积网络 (TCN) 对序列数据的每个时间步进行分类。虽然序列到序列的任务通常使用循环神经网络架构来解决，但 Bai 等人表明卷积神经网络可以在典型的序列建模任务上与循环网络的性能相匹配，甚至优于它们。使用卷积网络的潜在好处是更好的并行性、更好地控制感受野大小、更好地控制训练期间网络的内存占用以

目录GRU门控循环单元GRU原理GRU数据下载GRU程序设计预测准备GRU模块定义模型训练模型评估参数设定运行结果参考资料致谢GRU门控循环单元GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。相比LSTM，使用GRU能够达到相当的效果，并且相比之下更容易进行训练，能够很大程度上提高训练效率，因此很多

目录LSTM神经网络LSTM原理LSTM数据下载LSTM程序设计导入Python包时序数据处理LSTM模块定义模型训练模型评估参数设定运行结果参考资料致谢LSTM神经网络长短期记忆网络——通常简称为“LSTM”——是一种特殊的 RNN，能够学习长期依赖关系。它们由Hochreiter & Schmidhuber (1997)引入，并在后续工作中被许多人提炼和推广。1它们在处理各种各样的问题时效果非常好，现在被广泛使用。LSTM 被明确设计为避免长期依赖问题。长时间记住信息实际上是他们的默认行为

目录时序分解预测思想程序设计参考资料致谢时序分解朴素分解一个时间通常由长期趋势，季节变动，循环波动，不规则波动几部分组成长期趋势指现象在较长时期内持续发展变化的一种趋向或状态。季节波动是由于季节的变化引起的现象发展水平的规则变动循环波动指在某段时间内，不具严格规则的周期性连续变动不规则波动指由于众多偶然因素对时间序列造成的影响分解模型又分为加法模型和乘法模型。加法指的是时间序分的组成是相互独立的，四个成分都有相同的量纲。乘法模型输出部分和趋势项有相同的量纲，季节项和循环项是比例数，不规

目录基本原理程序设计不规则间隔插值缺失数据的插值数据下载知识拓展参考资料致谢在数值分析中，拉格朗日插值法是以法国18世纪数学家约瑟夫·拉格朗日命名的一种多项式插值方法。许多实际问题中都用函数来表示各结果之间某种内在联系或规律，而不少函数都只能通过繁复实验和多次观测来了解。而，如果对实践中的某个物理量进行观测，在若干个不同的地方得到相应的观测值，拉格朗日插值法可以找到一个多项式，其恰好在各个观测的点取到观测到的值。上面这样的多项式就称为拉格朗日（插值）多项式（Lagrange polynomial）。数学

目录变量和赋值变量和赋值Python是一种动态编程语言，无需提前定义数据类型print('a' * 4) #输出为：aaaas = "abc"print('a' in s) #输出为：Trueprint('d' in s) #输出为：False# （2）字符串处理常用函数s = 'transport BIG DATA' len(s) #返回字符串长度，结果为18 s.lower() #将字符串转为小写字母，