时间序列(time series)数据分析与应用
文章平均质量分 86
本专栏主要是关于时间序列相关的内容,涉及ARIMA,移动平均,LSTM,线性回归等多种方法。包括时序数据的问题转化、特征提取、预测方法等等。
笔者会根据学习内容,不断的进行更新。
优惠券已抵扣
余额抵扣
还需支付
¥9.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
Great1414
不破不立
展开
-
时间序列(time serie)分析系列之简介1
时间序列数据(time series data)是在不同时间上收集到的数据,用于描述现象随时间变化的情况。时间序列是一种典型的数据,具有随时间变化的特征。在大多数场景中,都能见到的一种数据类型。如客流数据,股票数据,销售额数据,网络日志,某些KPI指标等等内容。原创 2019-01-12 17:21:57 · 2308 阅读 · 1 评论 -
时间序列(time serie)分析系列之平均法(移动/指数)2
平均法移动平均法指数平均法原创 2019-01-12 21:50:28 · 4036 阅读 · 0 评论 -
时间序列(time serie)分析系列之SARIMAX预测与异常诊断3
目录1.简介2.预测流程1.读取数据 2.判断数据稳定性3.分解模型 4.建立模型5.模型诊断 6.模型预测7.未来预测与诊断异常1.简介ARIMA是一种常见的时间序列处理模型。但在处理季节性影响时,我们利用季节性预测模型SARIMAX,表示为ARIMA(p,d,q)(P,D,Q)s 。 这里, (p, d, q)是ARIMA的非季节性参数,而(P, ...原创 2018-10-10 17:11:20 · 9146 阅读 · 14 评论 -
时间序列(time serie)分析系列之ARIMA预测3.1
文章目录1.ARIMA简介2.ARIMA示例3.保存模型4.总结1.ARIMA简介2.ARIMA示例3.保存模型如何保存ARIMA模型(修复bug)4.总结原创 2019-01-13 14:27:24 · 1879 阅读 · 0 评论 -
时间序列(time serie)分析系列之线性回归or随机森林4
时间序列数据是一种典型的数据,时间序列预测方法比较多。比如ARIMA模型、Prophet模型、指数平均法、滑动平均法等等。 本文采用机器学习算法,如线性回归、随机森林等,完成时间序列预测,预测效果也比较好。原创 2019-01-03 17:20:46 · 13097 阅读 · 11 评论 -
时间序列(time serie)分析系列之LSTM(多步)预测5
文章目录LSTM原理数据集代码结果参考文献LSTM原理LSTM的原理,这里不做多余描述,具体可以参照这几个博客,介绍的很好。blog1:Understanding LSTM Networksblog2:Long Short-Term Memory Units (LSTMs)blog3:LSTM详解 反向传播公式推导blog4:LSTM详解数据集数据为单变量数据,上图显示的是,如...原创 2018-12-26 22:52:22 · 10723 阅读 · 10 评论 -
时间序列(time serie)分析系列之Prophet6
文章目录1.Prophet简介2.Prophet流程3.学习资料1.Prophet简介Prophet是Facebook开源的一个关于时间序列的框架。Prophet功能完善,既可以做未来预测,也可以填补缺失值,并且可以检测异常。Prophet的整体框架,整个过程分为四部分:Modeling、Forecast Evaluation、Surface Problems以及Visually Inspe...原创 2019-01-14 12:14:20 · 1245 阅读 · 0 评论 -
时间序列(time serie)分析系列之时间序列特征(feature)7
文章目录1.问题描述2.特征构建2.1时间特征2.2平移特征2.3窗口特征3.总结1.问题描述时间序列数据作为一种典型的数据,常存在于各行各业。比如客流、车流、销量、KPI指标等等。如何对时序数据加以利用,比如做未来预测,交通拥堵分类等问题。在采用机器学习算法之前,首先需要我们构建特征。因为大多数时序数据都是单变量或者维度特别少,所以特征的构建就比较重要。笔者总结了几种特征,供大家参考,有...原创 2019-01-13 11:49:20 · 18182 阅读 · 0 评论