https://zhuanlan.zhihu.com/p/425224434 时间序列 参考网址 （资源整合网址） https://zhuanlan.zhihu.com/p/396504683 https://zhuanlan.zhihu.com/p/385094015 https://analyt ...
转载
2021-10-28 16:00:00
1485阅读
2评论
时间序列数据（Time Series Data）是按时间排序的数据，利率、汇率和股价等都是时间序列数据。时间序列数据的时间间隔可以是分和秒（如高频金融数据），也可以是日、周、月、季度、年以及甚至更大的时间单位。数据分析解决方案提供商 New Relic 在其博客上介绍了为时间序列数据优化 K-均值聚类速度的方法。机器之心对本文进行了编译介绍。
在 New Relic，我们每分钟都会收集
# 时间序列的中值滤波 python包
时间序列处理是数据分析中常见的任务，其中的噪声会影响到数据的准确性。为了去除这些噪声，常常会使用滤波方法来平滑数据。中值滤波是一种常用的滤波技术，它通过计算一组数据的中位数来替代当前值，从而去除异常值和噪声。
在Python中，有很多开源的包可以用来进行时间序列的中值滤波处理。其中比较常用的是`scipy`包中的`medfilt`函数。这个函数可以对一维
原创
2024-04-08 03:48:45
94阅读
k-shape: Efficient and Accurate Clustering of Time Series01 研究背景意义时间序列：数据序列包含关于时间的显式信息(例如股票、音频、语音和视频)，或者如果可以推断值的顺序(例如流和手写)几乎每个学科都出现了大量的时间序列，包括天文学、生物学、气象学、医学、工程等，时间序列的普遍存在使得人们对此类数据的查询、索引、分类和聚类产生了浓厚的兴趣。
转载
2023-12-19 19:27:43
12阅读
# Python中的非线性时间序列分析包
## 概述
在时间序列分析中，线性时间序列是指时间序列的预测值是前一时刻的值的线性组合。然而，在现实世界中，许多时间序列具有非线性的特征。为了处理这些非线性时间序列，我们需要使用专门的工具和算法。在Python中，有一些非线性时间序列分析的包可以帮助我们进行预测、模型选择和分析。本文将介绍几个常用的非线性时间序列分析包，并提供相关的代码示例。
##
原创
2023-08-18 15:56:49
148阅读
写在前面在JDK1.8之前，处理日期和时间的方式比较单一，Java中提供了Calendar来处理日期，但是过程较为繁琐。 但是在JDK1.8之后，Java更新了time包提供了LocalDate,LocalTime,LocalDateTime等日期时间类来处理较为复杂的关于日期和时间的业务逻辑的方法。现在介绍Joda-Time日期时间工具类，该类库的开发者参与了JDK1.8中time包的开发，所以
转载
2024-06-11 19:38:25
127阅读
一、预测在生活和工作中经常需要作出预测。比如，预测一只股票价格的走势，预测下一年度的销售额，等等。预测是人们根据事物的发展规律、历史和现状、分析影响其变化的因素，对其发展的前景和趋势进行的一种预测。预测的形式和方法多种多样，根据方法本身的性质特点，将预测方法分为定性预测方法、时间序列分析、因果关系预测。1 定性预测定性预测方法是根据人们对系统过去和现在的经验、判断和直觉进行预测，其中以人的逻辑判断
转载
2023-10-23 08:33:37
5阅读
时间序列是一种数据类型，它代表着随着时间的推移变化的连续数据。时间序列数据通常是由一系列时间戳和相应的数值组成的。例如，一个股票的收盘价就是一个时间序列数据，其中每个时间戳对应着股票的收盘价。时间序列分析是一种用于研究时间序列数据的统计学方法。它主要用于描述和预测时间序列数据的趋势和周期性。时间序列分析的应用非常广泛，在财务、经济、气象学、生物学、工程等领域都有广泛的应用。具体应用有：预测未来销售
转载
2023-09-27 21:44:37
45阅读
## Java 时间序列预测的实现
时间序列预测是一项广泛应用在金融、气象、库存控制等领域的技术。作为一名初入门的开发者，理解时间序列预测的基本步骤和实现过程是非常重要的。本文将详细介绍如何使用Java实现时间序列预测的功能。
### 流程概述
为了更好地理解实现的步骤，下面是一个简单的流程表，它概述了整个时间序列预测的实施步骤：
| 步骤 | 描述
# 时间序列Python
时间序列是指按照时间顺序排列的一系列数据。在现实生活中，我们经常会遇到时间序列数据，比如股票价格、气温变化、销售量等。通过分析时间序列数据，我们可以发现其中的规律和趋势，从而做出合理的预测和决策。
Python是一种功能强大的编程语言，拥有丰富的时间序列分析工具和库。本文将介绍如何使用Python进行时间序列分析，并给出相应的代码示例。
## 安装所需库
在进行时
原创
2023-12-16 07:21:05
54阅读
# 时间序列分析入门：使用 Python 进行数据探索
时间序列分析是在随时间变化的数据中寻找规律与趋势的过程。在许多领域，时间序列数据可以帮助我们做出更好地决策，例如金融、天气预报、经济指标分析等。本文将介绍如何使用 Python 进行基本的时间序列分析，并结合实际案例进行讲解。
## 基本概念
时间序列数据是一系列按时间顺序排列的数据点。时间序列的主要特点包括趋势、季节性和周期性。趋势是
# Python时间序列分析入门指南
## 引言
时间序列是指按照时间顺序排列的数据集合，通常用于分析和预测时间相关的现象和趋势。Python提供了丰富的库和工具来进行时间序列分析，本文将引导你从头开始学习如何实现Python时间序列分析。
## 1. 确定任务和目标
在开始之前，我们需要明确我们的任务和目标。假设我们有一个时间序列数据集，我们的目标是对该数据集进行分析和预测。具体来说，我们希
原创
2023-09-07 13:46:04
74阅读
“春节假期是难得的读书充电的时间。”--来自某boss。假期能写多少算多少，一个是题目中的这本书，另一个是《python核心编程》中的高级部分，再一个是拖着的《算法导论》。------------------------------------------------------一、时间序列研究目的主要有两个：认识产生观测序列的随机机制，即建立数据生成模型；基于序列的历史数据，也许还要考虑其他相关
转载
2024-06-13 21:45:25
56阅读
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。异常随时可能发展为严重故障，因此准确及时的异常检测可以提醒航天
转载
2023-11-12 22:56:03
147阅读
最近写论文建模时，需要用到eviews软件。以前学过，但是基本忘了，前来做个记录。创建工作文件在命令输入窗口键入命令Create 时间频率类型 起始期 终止期例如创建一个1990年到2004年的时间数据工作文件，则需键入命令：CREATE A 1990 2004创建一个1990年1月到2004年12月的时间数据工作文件，则需键入命令：
CREATE M 1990：1 2004：12序列的创建Ser
转载
2023-11-28 08:23:34
89阅读
Autoregressive Integrated Moving Average Model，即自回归移动平均模型。它属于统计模型中最常见的一种，用于进行时间序列的预测。其原理在于：在将非平稳时间序列转化为平稳时间序列的过程中，将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。 其实就是三大块的整合1.自回归model自回归模型是
转载
2023-11-20 11:23:00
202阅读
11.7 移动窗口函数为了处理数字数据，Pandas提供了几个变体，如滚动，展开和指数移动窗口统计的权重。 其中包括总和，均值，中位数，方差，协方差，相关性等； 所谓窗口，就是将某个点的取值扩大到包含这个点的一段区间，用区间来进行判断； 移动窗口就是窗口向一端滑行，默认是从右往左，每次滑行并不是区间整块的滑行，而是一个单位一个单位的滑行； 窗口函数主要用于通过平滑曲线来以图形方式查找数据内的趋势。
转载
2024-01-01 16:34:19
405阅读
文章目录前言一、时间序列分析简介1.1、简介1.2、事物的变化过程1.3、序列分析1.4、时间序列分析二、预测方法2.1、简单移动平均法2.2、指数平滑方法1）不等权的平均方法2）十一点不等权平滑3）十五点平滑公式4）二十一点平滑公式前言本文主要介绍数据挖掘当中对与时间序列分析的一些分析方法介绍，以下案例经供参考一、时间序列分析简介1.1、简介时间序列数据是常见的数据类型之一,时间序列分析基于随机
转载
2024-02-16 10:54:40
121阅读
一、概述 在生产和科学研究中，对某一个或者一组变量 x(t)x(t) 进行观察测量，将在一系列时刻 t1,t2,⋯,tnt1,t2,⋯,tn 所得到的离散数字组成的序列集合，称之为时间序列。时间序列分析是根据系统观察得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。 ARIMA模型，全
转载
2023-07-16 20:27:06
161阅读
前言交叉验证是帮助机器学习模型选择最优超参数的有用程序。它对于较小的数据集特别有用，因为这些数据集没有足够的数据来创建具有代表性的训练集、验证集和测试集。简单地说，交叉验证将单个训练数据集拆分为训练和测试数据集的多个子集。最简单的形式是k-fold交叉验证，它将训练集拆分为k个较小的集合。对于每个分割，使用k-1个集合的训练数据训练模型。然后使用剩余数据对模型进行验证。然后，对于每一次拆分，模型都
转载
2023-12-17 12:14:04
128阅读
