11-时间序列
新冠疫情地市级时间序列数据采集_python数据处理
1. 简介 实验室近期需要采集地市级的疫情数据。目前能找到的大部分数据源是省级粒度的时间序列数据或地市级的实时截面数据，起初找到了这个项目2019新型冠状病毒疫情实时爬虫https://github.com/BlankerL/DXY-COVID-19-Crawler作者使用了丁香园的数据。但是我发现了丁香园数据中的几个问题：统计口径较混乱，同一地级市在不同的时间指向不同的字段名；部分省（广东、四川
日期 2023-06-12 10:48:40
处理医学时间序列中缺失数据的3种方法
来源：Deephub Imba本文约1700字，建议阅读9分钟本文为你介绍了医学时间序列数据研究的背景，并提出了3种专为rnn设计的缺失数据填补方法。复制这些方法都是专为RNN设计，它们都经过了广泛的学术评估，而且十分的简单。 大量医疗数据例如心电图、体温监测、血压监测、定期护士检查等等本质上都是时间序列数据。在这些医学图表的趋势、模式、高峰和低谷中嵌入了大量有价值的信息。医疗行业要求对医疗时间序
日期 2023-06-12 10:48:40
python数据分析-时间序列（二）ARIMA、傅里叶、小波变换、Prophet方法2021.8.10
一句话： 时间序列基本就这些方法了。 实践不同的输入数据，输出预测结果还不不太稳定，很现实差距挺大，是最近黑天鹅事件较多吗？ ###############################################################裹脚布版内容：一、Python数据分析与数据化运营1、P213时间序列，移动平均MA、指数平滑ES、差分自回归移动平均ARIMA2、如果有自变量为什
日期 2023-06-12 10:48:40
时间序列预测paper、应用汇总
Optiver是全球顶尖的量化交易公司。10个月前，Optiver在Kaggle上面办的一场预测股票市场波动率的比赛。这场比赛吸引了超过3800支队伍参加，其中相当一部分选手梦想着训出一个模型、指导购买股票、一夜暴富，迎娶白富美走上人生巅峰。 然后当然是没有然后的。 这场比赛的落地场景——金融量化正是时间序列预测应用最广泛的领域之一。并且随着机器学习和深度学习算法地更广泛应用，时间序列预测的落地场
日期 2023-06-12 10:48:40fast 存储_stata时间序列adf检验代码
大家好，又见面了，我是你们的朋友全栈君。Fastai数据准备简介数据是深度学习的立足之本，本文主要介绍Fastai框架如何进行数据加载与数据预处理。模块划分在之前的Fastai简介文章我提到过，Fastai最核心的API是按照应用领域（任务类型）进行划分的，打开官方文档也会看到Fastai最核心的思路：在一个DataBunch（Fastai的数据加载器）上训练一个Model对象，是非常简单的，只需
日期 2023-06-12 10:48:40R 机器学习预测时间序列模型
机器学习在时间序列数据上应用随着疫情的变化，急性传染病数据经常会随时间变化，我们通过对每天传染病的记录，就形成了时间序列数据，周期可以是天，周，月，年。目前我们经常会用到ARIMA来预测疾病在未来的变化趋势。image.png但是随着机器学习的广泛应用，在时间序列上，也可以采用机器学习发方法去预测，结果比传统的ARIMA EST更加快速，简洁，准确。 这次将要介绍关于的时间序列预测的Modelt
日期 2023-06-12 10:48:40R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测4个案例|附代码数据
全文链接:tecdat.cn/?p=23792在最近的一篇文章中，我们展示了一个LSTM模型，通过假近邻（FNN）损失进行正则化，可以用来重建一个非线性动态系统 在这里，我们探讨了同样的技术是如何协助预测的。与 "普通LSTM "相比，FNN-LSTM在数据集上提高了性能，特别是在多步骤预测的初始阶段。深度学习与时间序列的结合：生成经验性时间序列数据的预测。简而言之，解决的问题
日期 2023-06-12 10:48:40ICML2022丨时间序列论文汇总
作者：贾子钰 单位：北京交通大学 研究方向：时序预测国际机器学习大会(International Conference on Machine Learning，简称ICML ) 是由国际机器学习学会（IMLS）主办的机器学习国际顶级会议 (CCF-A)ICML 2022 共收到5630 投稿，接收1117 篇 short oral，118篇 long oral，录用率为21.94%。整理了ICML
日期 2023-06-12 10:48:40分解商业周期时间序列：线性滤波器、HP滤波器、Baxter滤波器、Beveridge Nelson分解等去趋势法|附代码数据
原文链接：http://tecdat.cn/?p=23000本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进分解南非GDP数据本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。rm(list = ls())graphics.off()复制载入数据如前所述，南非的GDP数
日期 2023-06-12 10:48:40单变量时间序列平滑方法介绍
点击上方“Deephub Imba”,关注公众号,好文章不错过 ! 时间序列是由按时间排序的观察单位组成的数据。可能是天气数据、股市数据。，也就是说它是由按时间排序的观察值组成的数据。在本文中将介绍和解释时间序列的平滑方法，时间序列统计方法在另一篇文章中进行了解释。本文将解释以下 4 个结构概念：1、稳态（Stationary）稳态是指系统的状态不再随时间发生改变的一种状态。换句话说，如果一个时间
日期 2023-06-12 10:48:40
使用时间序列数据预测《Apex英雄》的玩家活跃数据
点击上方“Deephub Imba”,关注公众号,好文章不错过 ! 在处理单变量时间序列数据时，我们预测的一个最主要的方面是所有之前的数据都对未来的值有一定的影响。这使得常规的机器学习方法(如训练/分割数据和交叉验证)变得棘手。在本文中我们使用《Apex英雄》中数据分析的玩家活动时间模式，并预测其增长或下降。我们的数据来自https://steamdb.info，这是一个CSV文件。为了评估模型的
日期 2023-06-12 10:48:40Python用KShape对时间序列进行聚类和肘方法确定最优聚类数k可视化|附代码数据
全文链接：http://tecdat.cn/?p=27078 时序数据的聚类方法，该算法按照以下流程执行。使用基于互相关测量的距离标度（基于形状的距离：SBD）根据 1 计算时间序列聚类的质心。（一种新的基于质心的聚类算法，可保留时间序列的形状）划分成每个簇的方法和一般的kmeans一样，但是在计算距离尺度和重心的时候使用上面的1和2。import pandas as pd复制 # 读取数据
日期 2023-06-12 10:48:40基于趋势和季节性的时间序列预测
点击上方“Deephub Imba”,关注公众号,好文章不错过 ! 分析时间序列的趋势和季节性，分解时间序列，实现预测模型时间序列预测是基于时间数据进行预测的任务。它包括建立模型来进行观测，并在诸如天气、工程、经济、金融或商业预测等应用中推动未来的决策。本文主要介绍时间序列预测并描述任何时间序列的两种主要模式(趋势和季节性)。并基于这些模式对时间序列进行分解。最后使用一个被称为Holt-Winte
日期 2023-06-12 10:48:40MATLAB随机波动率SV、GARCH用MCMC马尔可夫链蒙特卡罗方法分析汇率时间序列|附代码数据
全文下载链接：http://tecdat.cn/?p=27340 最近我们被客户要求撰写关于波动率的研究报告。 波动率是一个重要的概念，在金融和交易中有许多应用。它是期权定价的基础。波动率还可以让您确定资产配置并计算投资组合的风险价值 (VaR)。甚至波动率本身也是一种金融工具，例如 CBOE 的 VIX 波动率指数。然而，与证券价格或利率不同，波动性无法直接观察到。相反，它通常被衡量为证券或市场
日期 2023-06-12 10:48:40用LASSO，adaptive LASSO预测通货膨胀时间序列|附代码数据
原文链接：http://tecdat.cn/?p=22273如果你了解数据科学领域，你可能听说过LASSO。LASSO是一个对目标函数中的参数大小进行惩罚的模型，试图将不相关的变量从模型中排除动机它有两个非常自然的用途，第一个是变量选择，第二个是预测。因为通常情况下，LASSO选择的变量会比普通最小二乘法（OLS）少得多，其预测的方差会小得多，代价是样本中出现少量的偏差。LASSO最重要的特点之一
日期 2023-06-12 10:48:40
时间序列预测中的八大挑战
本文转载自知乎时间序列是一系列按时间排序的值，预测时间序列在很多真实工业场景中非常有用，有非常多的应用场景。预测时序的关键是观察时序之间的时间依赖性，发现过去发生的事情是如何影响未来的。然而这其中有不少挑战。本文作者归纳历年来时序领域的研究论文，总结出以下八大挑战。这八大挑战几乎是能影响时序预测准确性的主要原因，解决这些问题对研究设计出好的时序预测模型非常有意义。下面将为大家介绍。非平稳性平稳性
日期 2023-06-12 10:48:40TODS：功能强大的多元时间序列异常检测工具
TODS是一个全栈的自动化机器学习系统，主要针对多变量时间序列数据的异常检测。该系统可以处理三种常见的时间序列异常检测场景：点的异常检测（异常是时间点）、模式的异常检测（异常是子序列）、系统的异常检测（异常是时间序列的集合）。TODS提供了一系列相应的算法。TODS具有如下特点：全栈式机器学习系统：支持从数据预处理、特征提取、到检测算法和人为规则每一个步骤并提供相应的接口。广泛的算法支持：包括 P
日期 2023-06-12 10:48:40ICML 2022 | 用于时间序列预测的指数平滑 Transformer
近年来，有很多研究工作将 Transformer 应用在时间序列预测领域，取得了不错的效果，然而很多工作在模型设计上没有充分利用时间序列数据的特性，通过堆数据和算力获得优良的效果，因此存在一些局限（不可分解、低效等）。最近来自新加坡 Saleforce 研究院和新加坡管理大学的几位研究者提出了一种新的时间序列Transformer 结构，叫做 ETSformer。他们用模块化分解块重新设计了 Tr
日期 2023-06-12 10:48:40Salesforce | Transformer变体！用于时间序列预测的指数平滑Transformer（含源码）
引言 近年来，Transformer在时间序列预测方面得到了快速的发展。但是在设计上并没有充分利用时间序列数据的特性，因此存在一些基本的局限性（不可分解、低效）。为此本文提出了一种新的时间序列Transformer结构，其中，用模块化分解块重新设计了Transformer体系结构，以便它能够学会将时间序列数据分解为可解释的时间序列组受；经典指数平滑方法的启发，提出了新的指数平滑注意(ESA)和频率
日期 2023-06-12 10:48:40【收藏】时间序列预测入门必读的4篇论文
时间序列预测是一个发展历史悠久的技术领域，近些年随着机器学习算法和深度学习算法的应用，时间序列预测方法在越来越多的传统领域焕发光彩。01传统统计学算法和ML/DL算法的优劣时间序列预测常用的传统的统计学算法有ARIMA, ETS, GARCH等，常用的机器学习算法和深度学习算法有广义线性模型、xgboost、LSTM、CNN、Transformer等。 统计学习方法需要结合时序领域特有的统计学分析
日期 2023-06-12 10:48:40解读两篇最新多元时间序列预测工作
多元时间序列预测任务主要解决的是输入多变量时间序列，预测多变量未来序列的问题，多变量的序列之间存在一定的相互影响关系。多元时间序列预测相比一般的单变量时间预测，如何在建模temporal关系的同时建立不同变量空间上的关系至关重要。今天给大家介绍两篇2022年8月份发表的最新多元时间序列预测工作，两篇工作均有开源代码。两篇文章的概要分别如下。论文1-Expressing Multivariate T
日期 2023-06-12 10:48:40哈佛大学在NeurlPS 2022提出的无监督时间序列预训练方法
今天给大家解读一篇NeurlPS 2022中哈佛大学在时间序列无监督预训练的工作。这篇工作我认为非常有价值，为时间序列表示学习找到了一个很强的先验假设，是时间序列预测表示学习方向的一个突破性进展。本文的核心思路为：无监督预训练的核心是将先验引入模型学习强泛化性的参数，本文引入的先验是同一个时间序列在频域的表示和在时域的表示应该相近，以此为目标利用对比学习进行预训练。对于时间序列表示学习感兴趣的同学
日期 2023-06-12 10:48:40用检索的思路做时间序列预测是一种怎样的体验
今天为大家介绍一篇CIKM 2022中比较有意思的时间序列预测论文。这篇论文的独特之处在于，在其他论文都在卷深度学习时序预测模型结构时，这篇文章从检索引入相关数据的角度解决时序预测问题。论文标题：Retrieval Based Time Series Forecasting下载地址：https://arxiv.org/pdf/2209.13525.pdf1核心思路如果我们把时间序列预测看成一个数据
日期 2023-06-12 10:48:40数据分享|R语言分析上海空气质量指数数据：kmean聚类、层次聚类、时间序列分析：arima模型、指数平滑法|附代码数据
全文链接：http://tecdat.cn/?p=30131最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据 间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下相关分析（correlation analysis）是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研
日期 2023-06-12 10:48:40R语言和Python用泊松过程扩展：霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列|附代码数据
全文下载链接：http://tecdat.cn/?p=25880 最近我们被客户要求撰写关于泊松过程的研究报告，包括一些图形和统计输出。 本文描述了一个模型，该模型解释了交易的聚集到达，并展示了如何将其应用于比特币交易数据。这是很有趣的，原因很多。例如，对于交易来说，能够预测在短期内是否有更多的买入或卖出是非常有用的。另一方面，这样的模型可能有助于理解基本新闻驱动价格与机器人交易员对价格变化的反应
日期 2023-06-12 10:48:40PYTHON用时变马尔可夫区制转换（MARKOV REGIME SWITCHING）自回归模型分析经济时间序列|附代码数据
全文下载链接：http://tecdat.cn/?p=22617最近我们被客户要求撰写关于MRS的研究报告，包括一些图形和统计输出。本文提供了一个在统计模型中使用马可夫转换模型模型的例子，来复现Kim和Nelson（1999）中提出的一些结果。它应用了Hamilton（1989）的滤波器和Kim（1994）的平滑器%matplotlib inline import numpy as np imp
日期 2023-06-12 10:48:40[Information Sciences | 论文简读] DA-Net：用于多变量时间序列分类的双注意力网络
简读分享 | 尹成林 编辑 | 李仲深论文题目DA-Net: Dual-attention network for multivariate time series classification 摘要多元时间序列分类是机器学习中越来越重要的问题之一。现有方法侧重于建立全局远程依赖关系或发现局部关键序列片段。然而，他们经常忽略来自全局和局部特征的组合信息。在本文中，作者提出了一种基于双重注意力的新
日期 2023-06-12 10:48:40【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据
全文下载链接：http://tecdat.cn/?p=23544最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系什么是依赖关系？假设您在观看视频时记得前一个场景，或者在阅读一本书时您知道前一章发生了什么。传统的神经网络无法做到这一点，这是一个主要缺点。例如，假设您想对电影中
日期 2023-06-12 10:48:40R语言使用ARIMAX预测失业率经济时间序列数据|附代码数据
全文链接：http://tecdat.cn/?p=22521最近我们被客户要求撰写关于ARIMAX的研究报告，包括一些图形和统计输出。在大数据的趋势下，我们经常需要做预测性分析来帮助我们做决定。其中一个重要的事情是根据我们过去和现在的数据来预测未来。这种方法我们通常被称为预测许多情况下都需要预测：决定是否在未来五年内再建一座发电站需要对未来的需求进行预测；安排下周呼叫中心的工作人员需要对呼叫量进行
日期 2023-06-12 10:48:40Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测|附代码数据
全文下载链接： http://tecdat.cn/?p=27042最近我们被客户要求撰写关于新冠疫情人数的研究报告，包括一些图形和统计输出。在本文中，该数据根据世界各国提供的新病例数据提供。获取时间序列数据df=pd.read_csv("C://global.csv")复制探索数据此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值df.head(10)复制这
日期 2023-06-12 10:48:40PYTHON 用几何布朗运动模型和蒙特卡罗MONTE CARLO随机过程模拟股票价格可视化分析耐克NKE股价时间序列数据|附代码数据
原文链接：http://tecdat.cn/?p=27099最近我们被客户要求撰写关于模拟股票价格的研究报告，包括一些图形和统计输出。金融资产/证券已使用多种技术进行建模。该项目的主要目标是使用几何布朗运动模型和蒙特卡罗模拟来模拟股票价格。该模型基于受乘性噪声影响的随机（与确定性相反）变量该项目分两部分完成：第一部分涉及为几何布朗运动编写代码，并检查和验证它是否工作。这是使用 Python 中的几
日期 2023-06-12 10:48:40