Публикации по теме 'time-series-analysis'


Понимание силы и подводных камней авторегрессионного интегрированного скользящего среднего (ARIMA)
Модель в прогнозировании временных рядов В области анализа временных рядов модель авторегрессионного интегрированного скользящего среднего (ARIMA) выступает в качестве рабочей лошадки для составления прогнозов. Это расширение модели авторегрессионного скользящего среднего (ARMA) и включает в себя идею интеграции, позволяющую сделать модель применимой к нестационарным данным. Несмотря на свою популярность, ARIMA иногда понимают неправильно. Цель этой статьи — демистифицировать модель..
Ценовые прогнозы для решения проблемы динамического ценообразования и волатильности цен
Динамическое ценообразование началось в отрасли авиаперевозок, где модели управления доходами были впервые внедрены и широко применялись для динамического ценообразования на авиабилеты в попытке максимизировать доход операторов от их сети полетов. Но сейчас это широко применяется во многих отраслях, от гостиничного бизнеса до розничной торговли. Динамическое ценообразование в настоящее время является стандартной практикой среди ведущих компаний, занимающихся электронной коммерцией и..
Исправление проблемы прогнозирования Пророка
Шаг 1: обуздайте безумный тренд На данный момент не секрет, что Пророк страдает от проблемы с точностью прогноза. Снова и снова он показывал ужасные результаты в многочисленных бенчмарках и соревнованиях по прогнозированию. Тем не менее, это один из наиболее часто используемых алгоритмов прогнозирования… Итак… пришло время решить проблемы, которые его беспокоят, с помощью некоторых незначительных корректировок и (надеюсь) повысить точность прогнозов. Проект TSUtilities..
Временные ряды изменения климата: прогнозирование спроса на энергию
Как использовать анализ временных рядов и прогнозирование для борьбы с изменением климата Это четвертая часть серии Временные ряды изменения климата. Список статей: Часть 1: Прогнозирование ветроэнергетики Часть 2: Прогноз солнечной радиации Часть 3: Прогнозирование крупных океанских волн До сих пор мы изучали важность прогнозирования для интеграции экологически чистых источников энергии в электрическую сеть. Прогнозирование также играет ключевую роль на стороне..
Глубокая генеративная модель с иерархическими скрытыми факторами для обнаружения аномалий временных рядов
Аномалии широко распространены, когда дело доходит до работы с данными. Они становятся жизненно важными во временных рядах. Поэтому крайне важно предложить эффективные методы их обнаружения и борьбы с ними. Эта статья иллюстрирует современную модель DGHL для обнаружения аномалий. DGHL включает ConvNet в качестве генератора и вместо кодирования максимизирует вероятность с помощью алгоритмов чередующегося обратного распространения. Как вы знаете, временные ряды есть везде, в любой..
Многовариантное прогнозирование временных рядов LSTM.
Внутри Ай Многовариантное прогнозирование временных рядов LSTM. Применяйте современные методы прогнозирования временных рядов с помощью глубокого обучения, используя вместе несколько входных данных, чтобы получить мощный прогноз. Привет как дела? Я надеюсь, что это хорошо. Что ж, в нашей последней статье мы увидели, как мы можем применять LSTM для прогнозирования временных рядов, когда у нас есть один ряд последовательных данных. Найдите эти две статьи Временные ряды для..
Пошаговое руководство по разработке признаков для многомерных временных рядов
Добавление новых функций на основе сводной статистики с использованием Python Это пошаговое руководство по разработке признаков для многомерного прогнозирования временных рядов . Вы узнаете, как вычислить несколько скользящих статистических данных. Добавление их к независимым переменным часто приводит к повышению эффективности прогнозирования. Введение Авторегрессия Многомерный временной ряд содержит две или более переменных. См. пример ниже. Часто эти наборы данных изучаются..