时间序列分析与处理
文章平均质量分 74
`AllureLove
这个作者很懒,什么都没留下…
展开
-
【论文阅读】基于深度学习的时序预测——LTSF-Linear
而且随着选取的历史窗口长度的增加,误差可能会更大。个人理解:对于简单的平稳的时序数据而言,采用transformer肯定是杀鸡用牛刀,容易过拟合且耗时肯定比线性的要多,但是对于复杂的趋势、季节性、非平稳性数据而言,简单的线性模型应该是学习不到更深入的关系的;对于时序order的问题,相邻时间范围内的数据波动范围相似,所以不一定非要完全学习时序关系,而且transfomer会对关联性较大的部分计算出更大的权重,能够更好地自动提取关注区间,简单的线性肯定不能实现这种复杂依赖关系的提取;原创 2023-08-11 15:07:12 · 1316 阅读 · 0 评论 -
【论文阅读】基于深度学习的时序预测——Crossformer
多层级Encoder-Decoder:由于上一步会进行two-stage的注意力运算,因此在Decoder中会分别对不同阶段的结果进行解码,模型的输入最开始是细粒度patch,随着层数增加逐渐聚合成更粗粒度的patch。Dimension-Segment-Wise Embedding:对于多维时间序列,应该对每个维度的数据进行单独的数据表征,而不是在每个点位基于所有维度的数据进行数据表征,因此本文针对每个维度的指标进行独立向量化表征(线性转换+位置编码),更好地捕捉单变量的数据信息;原创 2023-08-11 14:27:47 · 1923 阅读 · 0 评论 -
【论文阅读】基于深度学习的时序预测——Pyraformer
本文是上海交通大学的团队发表的,背景仍然是如何降低计算复杂度&更好地进行长期依赖性关系的表征。原创 2023-08-11 14:06:51 · 1104 阅读 · 2 评论 -
【论文阅读】基于深度学习的时序预测——Non-stationary Transformers
本文还是清华大学THUML实验室的论文,背景是在历史的研究中,大多数时序预测方法都是针对平稳型数据,但是在实际生产过程中,大部分数据其实没有那么强的平稳性,因此本文想针对这种非平稳型的数据进行模型优化;原创 2023-08-11 13:10:14 · 1466 阅读 · 0 评论 -
【论文阅读】基于深度学习的时序预测——FEDformer
论文地址:github地址:参考解读:快速傅立叶变换:本文是阿里达摩院的一篇文章,也是针对长序列预测的,文章背景有以下几点:整体架构感觉和Autoformer有点类似,但是细节层面上的创新点主要体现在以下几个方面:Xx1...xd]Aa1...am∈Rm∗ddssdxqx∗wQQRY^UdL)UsL)XL1。原创 2023-08-11 11:01:55 · 2900 阅读 · 0 评论 -
【论文阅读】基于深度学习的时序预测——Autoformer
在本文的Encoder中,更注重关注时序数据的季节性特性,因此保留的数据都是经分解后的季节性数据;在Decoder中,会将分解后的季节性、趋势性时序都作为输入,并且将原始序列的部分数据拼接在初始位置,用于指导后续序列的预测,网络具体运算细节可以参考原文;原创 2023-08-10 20:25:02 · 832 阅读 · 0 评论 -
【论文阅读】基于深度学习的时序预测——Informer
这篇文章是北航提出的一篇预测论文,在实际预测过程中,大多数需要基于长期的数据,否则根据短期数据预测出来的结果是不置信的,近年来的研究表明,transformer在时序序列预测上的潜力。原创 2023-08-10 18:59:51 · 1251 阅读 · 2 评论 -
【论文阅读】基于深度学习的时序异常检测——TimesNet
基于深度学习的异常检测-TimesNet原创 2023-08-09 20:32:57 · 1756 阅读 · 2 评论 -
【论文阅读】基于深度学习的时序异常检测——Anomaly Transformer
基于深度学习的异常检测:Anomaly Transformer原创 2023-08-07 14:27:09 · 1787 阅读 · 2 评论 -
Python时间序列缺失值填充
mark来源:时间序列缺失值填充import pandas as pd def fill_source(source, start_time, end_time): """ 采用窗口长度为5的移动均值对缺失值进行填充 @param source_df: @param start_time: 开始时间戳,str格式 @param end_time: 结束时间,str格式 @return:原创 2022-04-24 21:03:50 · 3193 阅读 · 0 评论 -
机器学习数据分析之异常值检测
文章目录1.基于统计学的单变量异常值检验1.1 3σ\sigmaσ准则1.2 箱型图1.3 Grubbs检验1.4 ESD检验1.5 Dixon检验2. 时间序列数据的异常值检验2.1 ADTK python模块在检查异常值之前,可以将缺失值填充好。异常值检验可以分为单变量异常值检验和多变量异常值检验,对于时间序列数据而言还有趋势预测的时间序列异常值检验。1.基于统计学的单变量异常值检验可以先采用统计学方法查看数据的描述性统计(均值、标准差、最小值、最大值等信息)"""假设数据为dataframe原创 2021-08-18 20:44:00 · 3975 阅读 · 4 评论 -
python时间格式转换
# str转struct_timeimport timecur_time = "2022-03-12 00:00:00"time_format = "%Y-%m-%d %H:%M:%S"cur_time = time.strptime(cur_time, time_format)print(cur_time)# time.struct_time(tm_year=2022, tm_mon=3, tm_mday=12, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=5原创 2022-03-08 09:58:03 · 585 阅读 · 0 评论 -
python一维时间序列平滑:移动平均、指数平滑、开尔曼滤波等
文章目录1. 移动平均2. 指数平滑3. 开尔曼滤波记录处理时间序列时需要用到的数据平滑方式参考博客:移动平均、指数平滑三阶指数平滑一阶指数平滑1. 移动平均import numpy as npimport pandas as pddf = pd.DataFrame()df["data"] = np.random.rand(20)# 数据也可以是series格式# 简单移动平均simp_moving_avg = df["data"].rolling(window=windo原创 2022-03-15 19:18:02 · 9100 阅读 · 4 评论