Публикации по теме 'time-series-forecasting'
Анализ временных рядов
В этом проекте показано, как демонстрировать, визуализировать и анализировать данные временных рядов, а также внедрять модели машинного обучения для предсказания и прогнозирования данных.
Введение
Анализ временных рядов — это концепция наличия данных, являющихся функцией времени. Это означает, что время имеет зависимую корреляцию с прогнозируемой ценностью. Работа с набором данных временных рядов полностью отличается от обычного набора данных. Это связано с тенденциями,..
Многомерное многошаговое прогнозирование временных рядов с использованием моделей последовательностей (4/4)
Модели -
Вариант — 3
В этом подходе мы используем сложенные lstms, чтобы мы могли сравнить производительность многоэтапных моделей вывода на основе кодировщика-декодера.
A
В этом подходе мы используем составные lstms для прогнозирования одношагового вывода.
Архитектура модели выглядит так:
Хотя не имеет особого смысла инициализировать начальные состояния второго lstm последними состояниями первого lstm, но это дало мне несколько лучшие результаты. Вы можете..
Эффективные стратегии управления пропущенными значениями и удаления тренда данных временных рядов
Данные временного ряда представляют собой последовательность наблюдений, записанных через равные промежутки времени, и обычно используются в различных областях, таких как финансы, экономика и инженерия. Однако данные временных рядов часто могут содержать шум, выбросы, пропущенные значения и другие аномалии, которые могут повлиять на анализ и интерпретацию данных . Следовательно, очистка данных является важным шагом в процессе анализа временных рядов, который обычно необходим перед..
Прорыв в прогнозировании временных рядов на выставке Neurips 2020
Глубокое погружение в новейшую литературу по прогнозированию временных рядов и то, как вы можете использовать их в своих бизнес-сценариях.
В этом году на Конференции по обработке нейронной информации авторы опубликовали ряд новых статей, посвященных прогнозированию и классификации временных рядов. Здесь я кратко рассмотрю их основные вклады, а также расскажу об их реализации и наших сроках для переноса их в нашу структуру глубокого обучения для прогнозирования временных рядов..
Введение для начинающих в анализ и прогнозирование временных рядов
Стационарность, декомпозиция временных рядов, моделирование ARIMA и многое другое
Недавно я влюбился в тему временных рядов. Я нахожу удивительным, что так много вещей, которые мы наблюдаем в окружающем нас мире, и, возможно, вещи, которые мы иногда принимаем как должное, на самом деле можно объяснить с помощью времени.
Подумайте об этом, дорожное движение, как правило, достигает пика в определенные часы в течение дня, продажи мороженого обычно выше летом или, в последнее время, как..
Введение в моделирование методом Монте-Карло с использованием Python
Узнайте, как симуляции Монте-Карло используются для прогнозирования вероятностей и что они из себя представляют
Симуляции Монте-Карло: что это такое?
Из-за участия случайных величин моделирование методом Монте-Карло оценивает вероятность того, что может произойти неопределимое событие. Для определения вероятности алгоритм использует повторную случайную выборку. Используя случайные входные данные, вы многократно имитируете событие, чтобы получить свою оценку. В…
PatchTST для прогнозирования временных рядов: исходные результаты и мои одноканальные эксперименты
Мотивация
Преобразователи стали популярным выбором для прогнозирования временных рядов из-за их способности фиксировать сложные временные отношения. Однако недавние исследования показали, что простые модели глубокой нейронной сети (DNN) превосходят модели Transformer, такие как FEDFormer и Informer, в определенных задачах прогнозирования временных рядов [1] . Я также написал статью, объясняющую результаты эксперимента.
Введение в статью: Эффективны ли..
