分享人工智能学习心得与实践经验，探讨应用场景，见证变革与进步

EB-Boost ：智慧景区共享单车中长期投放量精准预测方法ABSTRACT目前，共享单车已成为景区交通的重要组成部分。共享单车改变了过去景区交通产品和供给主体单一的问题，增加了游客出行消费选择。共享单车在给游客出行带来便利的同时，也对景区交通环境秩序管理造成一定影响。当前，共享单车进入门槛低，各个经营主体为抢占景区市场份额，毫无计划地摆放共享单车。这种行为占用了景区本已有限的空间...

本文首先介绍线性回归（具体概念解释可以参考CS229,吴恩达讲义的译文：传送门），包括其名称的由来和python实现。在这之后引入了局部平滑技术，分析如何更好地你和数据。接下来，本文将探讨回归在"欠拟合"情况下的shrinkage技术，探讨偏差和方差的概念。

具体代码看代码云：传送门，有问题欢迎随时私信~引言这篇博客衔接上一篇博客： Holt-Winters模型原理分析及代码实现（python)，我们在三次指数平滑的基础上，来进一步讨论下对时序数据的预测。LSTM原理分析(参考博文：Understanding LSTM Networks）Long Short Term 网络–LSTM，是神经网络的一种简单延伸，也是一种特殊的RNN模型。可以用来学习长期

在今天的数据驱动的世界中，我们经常需要预测未来的趋势，无论是股票价格、销售额，还是天气情况。这种预测通常依赖于时间序列分析。尽管许多算法和方法已经被开发出来，但预测准确性仍然是一个挑战。然而，一种被称为"模型融合"的技术，已经证明了其提高预测准确性的能力。在这篇博客中，我们将探讨模型融合的几种常见方法，以及如何在时间序列预测中应用它们。模型融合是一种机器学习策略，旨在通过整合多个预测模型的预测结果来提高总体预测精度。

在过去我们训练模型，往往通过编写flask代码或者容器化我们的模型并在docker中运行。这篇文章中，我们将分享如何基于mlserver来搭建Web服务。mlserver是基于 python的推理服务器，可以通过简单的代码实现python web服务，但是它的真正优点在于它是一个为生产环境设计的高性能服务器。希望现在你已经了解使用MLServer为模型提供服务是多么容易。

供应链和价格管理是企业运营中最早采用数据科学和组合优化方法的领域，并且在使用这些技术方面有着悠久的历史，并取得了巨大的成功。虽然有广泛的传统优化方法可用于库存和价格管理应用，但深度强化学习定价有潜力大幅提高这些和其他类型的企业运营的优化能力。本次博客中，我将会和大家一起探讨强化学习在价格管理中的应用，分享内容主要分三部分首先我会通过一个简单的例子来说明传统价格优化问题的解法，以及优化的复杂性。

预测算法的本质是从历史数据中发现pattern，并利用这个pattern推演到未来，形成预测结果。供应链的绝大多数预测场景中，每个预测目标的历史观测值可以在时间轴上串起来形成一条时间序列（Time Series），因此这些预测问题都可以抽象成为一个时间序列预测的问题。本文会从时序预测技术迭代升级历经的三个发展阶段，来讲述时序预测算法的发展更新过程。本文以综述性质分享了目前时序预测算法的发展迭代过程，分析了统计时序预测算法、经典机器学习预测算法、深度学习预测算法的优势及缺点。

在时序预测或者销量预测场景中，我们会通过确定一些准确率指标来评估我们的预测值。在学术界和工业界，我们常用指标有：均方根误差（RMSE）、加权分位数损失（wQL）、平均绝对百分比误差（MAPE）、平均绝对缩放误差（MASE）、加权绝对百分比误差。本文将会详细介绍这些指标的具体含义和计算逻辑，以及适应的应用场景。在实际预测场景中，我们还是要根据预测类型来创建预测和评估预测变量。Forecast 类型有以下两种形式：均预测类型-以平均值作为预期值的预测。通常用作给定时间点的点预测。

文章目录前言异常类型离群值2.尖峰与电平转化3.模式变化4.季节性总结前言用户在构建模型之前需要决定的第一件事是将问题表述为监督学习问题还是无监督问题。监督学习方法基于时间序列和训练集中的正常/异常标签训练模型，而无监督方法仅基于时间序列和领域知识构建模型，不需要标记数据。现实世界的异常检测问题通常缺乏标记的历史异常，这可能会阻止用户构建稳健的监督模型。在这种情况下，无监督/基于规则的方法是更好的选择。异常类型异常是一个广义的概念，它可以指代时间序列中许多不同类型的事件。根据具体情况，价值飙升