Публикации по теме 'time-series-analysis'


Все о N-HiTS: последний прорыв в прогнозировании временных рядов
От теории к практике: узнайте о N-HiTS, новейшей современной методике прогнозирования временных рядов, и используйте Python для ее применения в реальном проекте. В предыдущей статье мы рассмотрели N-BEATS: модель глубокого обучения, основанную на концепции расширения базы для прогнозирования временных рядов. На момент выпуска в 2020 году N-BEATS достиг самых современных результатов, используя чистую архитектуру глубокого обучения, которая не полагалась на компоненты, специфичные для..
Как интерпретировать автокорреляцию и частичную автокорреляцию для временных рядов
Корреляция и автокорреляция Корреляция, часто представляемая как коэффициент корреляции Пирсона, суммирует силу взаимосвязи между переменными. Моделирование временных рядов использует концепцию корреляции и применяет ее еще на один шаг к автокорреляции. Автокорреляция — это корреляция наблюдения с предыдущими наблюдениями (лагами). Временной ряд с большей автокорреляцией более предсказуем, чем временной ряд без автокорреляции. Частичная автокорреляция Частичная автокорреляция..
Сезонность в прогнозировании временных рядов с помощью Facebook Prophet
В предыдущей части нашей серии Facebook Prophet мы рассмотрели, как моделировать компонент тренда и настраивать точки изменения и регуляризацию для повышения точности прогнозирования. В этой статье мы сосредоточимся на сезонном компоненте и рассмотрим, как его эффективно моделировать с помощью Facebook Prophet. Сезонная составляющая Facebook Prophet использует для моделирования сезонности частичные суммы Фурье. Частичные суммы Фурье — это усеченная версия ряда Фурье, в которой..
Анализ временных рядов — Часть 1
0. Введение 0,1. Что такое данные временных рядов? Данные временных рядов — это тип данных, которые собираются или записываются через регулярные промежутки времени. Он показывает, как определенная величина или измерение изменяется с течением времени. Эти временные интервалы могут быть очень короткими, например миллисекунды для финансовых данных, или намного более длинными, например, месяцы или годы для климатических данных. Данные временных рядов широко распространены в различных..
Ваша модель обнаружения аномалий умнее, чем вы думаете
Модели обнаружения аномалий многомерных временных рядов могут дать ценную информацию, если вы потратите некоторое время на постобработку их результатов… Имея дело с данными промышленных датчиков, я часто рассматриваю варианты использования обнаружения аномалий. Я работал над этой темой с десятками клиентов в течение последнего десятилетия и почти ежедневно в течение последних пяти лет. Типичными конечными пользователями, с которыми я взаимодействую, являются руководители заводов,..
Полное руководство по прогнозированию временных рядов (Часть -1)
Прогнозирование временных рядов было, безусловно, самой элементарной проблемой, находящей свою основу в самых разных отраслевых задачах. Будь то прогнозирование цен на акции или прогнозирование уровней запасов, большинство современных задач прогнозирования основаны на исторических закономерностях и подходе временных рядов. В этой серии блогов, состоящей из трех частей, мы исследуем различные соображения и методы, которые необходимо учитывать при подходе к таким проблемам. Но прежде..
Скользящее среднее с Python
В статистике скользящее среднее — это вычисление, используемое для анализа точек данных путем создания ряда средних значений различных подмножеств полного набора данных. В финансах скользящая средняя (MA) — это фондовый индикатор, который обычно используется в техническом анализе . Причина вычисления скользящей средней акции состоит в том, чтобы помочь сгладить ценовые данные, создав постоянно обновляемую среднюю цену . Скользящее среднее обычно используется с данными временных..