Публикации по темата time-series-analysis

Свързани публикации 'time-series-analysis'

Разбиране на силата и клопките на авторегресивната интегрирана подвижна средна (ARIMA)

Модел при прогнозиране на времеви редове В областта на анализа на времевите редове моделът с авторегресивна интегрирана подвижна средна (ARIMA) е работен кон за правене на прогнози. Това е разширение на модела на авторегресивната подвижна средна (ARMA) и включва идеята за интеграция, за да направи модела приложим към нестационарни данни. Макар и популярен, ARIMA понякога се разбира погрешно. Тази статия има за цел да демистифицира модела ARIMA, да обясни неговите компоненти и да..

Ценови прогнози за справяне с динамичното ценообразуване и нестабилността на цените

Динамичното ценообразуване започна в индустрията на авиокомпаниите, където за първи път бяха въведени и широко внедрени модели за управление на приходите за динамично ценообразуване на самолетните билети в опит да се увеличат максимално приходите за операторите от тяхната мрежа от полети. Но това вече е широко възприето от много индустрии от хотелиерството до търговията на дребно. Динамичното ценообразуване вече е стандартна практика сред водещите търговци на дребно за електронна търговия и..

Коригиране на проблема с прогнозирането на Prophet

Стъпка 1: Ограничете безумната тенденция На този етап не е тайна, че Prophet страда от проблем с точността на прогнозата. Отново и отново той дава ужасни резултати в множество сравнителни тестове и състезания за прогнозиране. Все пак това е един от най-използваните алгоритми за прогнозиране там... И така… време е да се справим с проблемите, които го измъчват, като използваме някои дребни корекции и (да се надяваме) да подобрим точността на прогнозата. „Проект TSUtilities“..

Времеви редове за изменението на климата: Прогнозиране на търсенето на енергия

Как да използваме анализ на времеви редове и прогнозиране за справяне с изменението на климата Това е част 4 от поредицата Времеви серии за изменението на климата. Списък на статиите: Част 1: Прогнозиране на вятърната енергия Част 2: Прогнозиране на слънчевата радиация Част 3: Прогнозиране на големи океански вълни Досега изследвахме колко важно е прогнозирането за интегрирането на чисти енергийни източници в електрическата мрежа. Прогнозирането също играе ключова роля..

Дълбок генеративен модел с йерархични латентни фактори за откриване на аномалии във времеви серии

Аномалиите са широко разпространени, когато става въпрос за работа с данни. Те стават жизненоважни във времеви редове. Затова е изключително важно да се предложат ефективни методи за тяхното откриване и справяне с тях. Тази статия илюстрира модерен модел, наречен DGHL за откриване на аномалия. DGHL включва ConvNet като генератор и вместо да кодира, увеличава максимално вероятността с алгоритмите за редуващо се обратно разпространение. Както може би знаете, времевите редове са..

Многовариантно прогнозиране на LSTM времеви редове.

Вътре в Ai Многовариантно прогнозиране на LSTM времеви редове. Приложете най-съвременното прогнозиране на времеви серии за дълбоко обучение, като използвате множество входни данни заедно, за да дадете мощна прогноза. Здравейте, как върви всичко? Надявам се да е добре. Е, в последната ни статия видяхме как можем да приложим LSTM за прогнозиране на времеви редове, когато имаме единична серия от последователни данни. Потърсете тези 2 статии Times Series за регресия и Univariate..

Ръководство стъпка по стъпка за проектиране на функции за многомерни времеви серии

Добавяне на нови функции въз основа на обобщена статистика с помощта на Python Това е ръководство стъпка по стъпка за проектиране на функции за „прогнозиране на многовариантни времеви редове“. Ще научите как да изчислявате няколко подвижни статистики. Добавянето им към обяснителните променливи често води до по-добро прогнозиране. Въведение Авторегресия Многовариантният времеви ред съдържа две или повече променливи. Вижте по-долу за пример. Често тези набори от данни се..