Публикации по теме 'time-series-analysis'
Сколько рекламы вы смотрели сегодня?
Наука о данных в R
Сколько рекламы вы смотрели сегодня?
Полный анализ временных рядов рекламных данных
Вы когда-нибудь смотрели внутриигровую рекламу, чтобы отчаянно собирать монеты и бриллианты или возродиться на уровне и попробовать еще раз? Если это так, вы не одиноки. Некоторые объявления хороши, я имею в виду, что они должны продвигать свой продукт и при этом добиваться успеха, но другие просто раздражают. Если вы достаточно смотрели YouTube, вы понимаете, о чем я говорю...
Расширьте свой арсенал временных рядов с помощью этих моделей
Регуляризация, упаковка, укладка и многое другое
Данные временных рядов обычно состоят из трех компонентов:
Сезонность Тренд Остаток
Прогнозируйте эти компоненты, и вы сможете прогнозировать практически любые временные ряды. Звучит достаточно просто, верно?
Ну, не совсем так. Существует много неясностей в отношении наилучших способов спецификации модели, чтобы она могла правильно учитывать эти элементы, и в последние годы было опубликовано множество исследований, чтобы найти..
Обеспечение качества программного обеспечения в три простых шага
вступление
Эта статья — общий обзор инструментов, которые, по моему опыту, играют решающую роль в создании качественного программного обеспечения.
Отсутствие одной или даже нескольких точек обычно не приводит к фатальным повреждениям. Но люди очень изобретательны и делают сочетание обстоятельств еще более ужасным, чем отсутствие нескольких точек проверки без причины (вероятно, для повторной проверки проверенных теорий). Также многие люди, копаясь в конкретной области, склонны..
Продажи Walmart с помощью прогнозирования временных рядов Холта-Уинтерса
Продажи Walmart с помощью прогнозирования временных рядов Холта-Уинтерса
В этой статье мы будем искать прогнозирование продаж данных о продажах в магазине Walmart и будем использовать общедоступный набор данных от Kaggle, имеющий ок. 4 миллиона замечаний. Анализ определяет прогноз продаж с использованием модели Холт-Винтерса, которая добавляет тренд, уровень и сезонность трех компонентов при прогнозировании. Модель была определена для прогнозирования, поскольку в данных..
Использование моделирования глубокого обучения для прогнозирования потребления электроэнергии — Часть 1
Демонстрация возможностей моделей глубокого обучения, используемых во временных рядах, по сравнению с предыдущими моделями машинного обучения.
Прогнозирование временных рядов может происходить, когда научные прогнозы основаны на исторических данных с отметками времени. Это включает в себя построение моделей посредством исторического анализа и их использование для наблюдений и принятия будущих стратегических решений.
Мы живем в эпоху, когда сохранение энергии и использование..
Обнаружение выбросов временных рядов с помощью ThymeBoost
Уменьшение влияния экстремальных точек с повышением
Весь код живет здесь: ThymeBoost Github
Введение
Распространенной задачей при работе с данными временных рядов является выявление и обработка выбросов. Важно знать об этих точках данных, поскольку они могут иметь большое влияние на любой анализ. Есть много способов определить и обработать эти точки данных, но сегодня мы рассмотрим, как вы можете управлять ими с помощью ThymeBoost.
Если вы впервые слышите о ThymeBoost, я..
Прогнозирование многомерных временных рядов с нестационарной временной матричной факторизацией
Прогнозирование многомерных и разреженных временных рядов на основе данных о скорости движения Uber
Проект движения Uber ( http://movement.uber.com/ ) предоставляет городам данные и инструменты для более глубокого понимания и решения проблем городского транспорта. Данные о скорости движения Uber измеряют почасовую скорость движения по улицам города (например, Нью-Йорк , Сиэтл , Лондон ), чтобы обеспечить городское планирование и принятие решений на основе данных. Эти данные..