Публикации по теме 'time-series-analysis'
Непараметрическое прогнозирование временных рядов Amazon Forecast
Методы анализа временных рядов можно разделить на параметрические и непараметрические. Параметрические модели значительно отличаются от непараметрических моделей из-за некоторых допущений, требуемых параметрическими моделями в отношении структуры временной и пространственной ковариации и предельных распределений вероятностей данных временных рядов, тогда как непараметрические модели поддерживают только эмпирическую структуру наблюдаемых временных рядов. данные.
Параметрические..
Уточните данные временных рядов, устранив шум посредством сглаживания данных
В первых трех частях этой серии мы подчеркивали важность очистки данных временных рядов и предлагали различные методы обработки отсутствующих данных , работы с тенденциями и сезонностью , а также удаления аномалий или выбросов . В этой заключительной части мы углубимся в сглаживание данных, которое является важным шагом в анализе данных временных рядов.
Сглаживание данных
Сглаживание данных — это метод, используемый для удаления шума из данных временных рядов, что упрощает их..
Измерение сходства временных рядов с помощью динамической деформации времени
Dynamic Time Warping (DTW) — это популярный метод анализа временных рядов, используемый для измерения сходства между двумя временными рядами, которые могут иметь разную длину, нелинейные искажения и разные скорости. Он был введен в 1978 году Сакоэ и Чиба для согласования речевых моделей. DTW широко используется в различных областях, включая распознавание речи, распознавание изображений, финансы и здравоохранение.
Временные ряды — это просто последовательность значений, которые..
Как прогнозировать временные ряды с помощью авторегрессии
Учебное пособие по прогнозированию с использованием авторегрессионной модели в Python
Фон
Прогнозирование — это широкая область, в которой доступно множество моделей для моделирования ваших временных рядов. В моих предыдущих постах мы рассмотрели некоторые базовые модели прогнозирования и исследовали популярное семейство моделей экспоненциального сглаживания .
В этом посте мы начнем наше путешествие в другое семейство моделей прогнозирования, начиная с авторегрессии . Мы..
Полное введение в анализ временных рядов (с R):: Тесты на стационарность:: Прогноз 1 →…
Мы прошли долгий путь: от изучения моделей изучения временных рядов , стационарных процессов , таких как MA(1) и AR(1) , затем Классической модели декомпозиции , до Разностных и тесты на стационарность . Но как мы на самом деле делаем прогнозы?? Что ж, как сказал мой профессор статистики, начинать линейно — всегда хорошая идея . Так вот что мы будем делать! Имейте в виду, что в этом разделе мы будем использовать некоторые вычисления и вероятность, поэтому, если вам нужно..
Временные метки и диапазоны дат в деталях: работа со специальными объектами даты и времени в Pandas
Специальные объекты даты и времени, которые вы должны знать.
В первой части серии pandas Date and Time я исследовал ядро функциональности временных рядов pandas — в этой статье я хотел бы взглянуть на немного более специальные объекты времени, разработанные для упрощения арифметики Timestamp и соответствия особые потребности для маркировки времени в ваших данных.
Отметки времени и диапазоны дат в деталях: работа с датами и временем в Pandas Глубокое..
Достижение стационарности с помощью данных временных рядов
Большинство моделей временных рядов работают в предположении, что лежащие в основе данные стационарны, то есть среднее значение, дисперсия и ковариация не зависят от времени. Скорее всего, ваш временной ряд не будет стационарным, что означает, что вам придется идентифицировать тенденции, присутствующие в вашем ряду, и манипулировать данными, чтобы они стали стационарными. После удаления трендов вы можете применять передовые методы моделирования, сохраняя при этом ценные знания о..
