Публикации по теме 'time-series-forecasting'
6 лучших источников бесплатных данных о реальных временных рядах
Используйте эти источники открытых реальных наборов данных, чтобы попрактиковаться в прогнозировании, классификации или обнаружении аномалий во временных рядах.
Практика делает совершенным, и для специалистов по данным, работающих с данными временных рядов, это означает, что вам сначала нужен доступ к данным.
Здесь мы перечисляем 6 лучших источников данных временных рядов в открытом доступе, чтобы вы могли попрактиковаться…
Еще 4 прогноза временных рядов MV, о которых мы должны знать — Auto_ARIMA, SARIMAX, VARMAX и Prophet
В моих предыдущих блогах я обсуждал многомерное прогнозирование временных рядов с использованием XGBoost Regressor и Vector AutoRegressor . В этом блоге мы увидим еще четыре алгоритма!
Наборы данных
Целевой набор данных
Как мы использовали нейронные сети Transformers для улучшения прогнозов временных рядов
В этой статье мы обсудим использование моделей преобразования для работы с данными временных рядов. Информация, представленная в этом тексте, основана на моем выступлении на конференции Linq . Я поделюсь результатами наших экспериментов с использованием моделей-трансформеров и их сравнением с методами повышения градиента, основными выводами и советами по использованию моделей-трансформеров для повышения производительности при выполнении задач с данными временных рядов.
Меня зовут..
ARIMA (авторегрессионное интегрированное скользящее среднее)
ARIMA, что означает авторегрессионное интегрированное скользящее среднее, является широко используемым статистическим методом для анализа и прогнозирования данных временных рядов. Это расширение модели ARMA, включающее в себя идею дифференцирования, чтобы сделать временные ряды стационарными.
Структура модели ARIMA:
Модели ARIMA обычно обозначаются как ARIMA(p, d, q), где:
p : Порядок авторегрессионной части (AR) d : порядок различий q : порядок части скользящей средней (MA)...
Прогноз спроса на электроэнергию во временных рядах
Прогноз спроса на электроэнергию во временных рядах
Использование метода декомпозиции и LSTM
При анализе данных временных рядов важно проверять лежащие в основе модели, чтобы помочь понять данные и предоставить точные прогнозы.
Данные временных рядов обычно состоят из четырех компонентов:
Компонент тренд указывает на увеличение или уменьшение данных за длительный период времени. Компонент циклический заставляет данные расти и падать в течение периода времени, который..
Раскрытие возможностей анализа временных рядов: методы, инструменты и ресурсы
Прогнозирование временных рядов является важным аспектом науки о данных и машинного обучения. Он включает в себя использование исторических данных для прогнозирования будущих событий. Данные временных рядов уникальны, поскольку они содержат информацию о прошлом и настоящем, а также включают будущее, которое является целевой переменной, которую мы пытаемся прогнозировать. Этот тип данных обычно встречается в различных отраслях, таких как финансы, экономика, розничная торговля,..
Как я использовал векторную авторегрессию (VAR) statsmodels для прогнозирования многомерных обучающих данных
За последние несколько дней я собрал набор данных, касающихся статуса обучения отдела в некоммерческой организации, который люди могут использовать в своих проектах по науке о данных. .
Этот набор данных, который я назвал Analyse_Training_Deficiencies, представляет собой многомерный набор данных, и его можно найти здесь…
