时间序列分析

应用时间序列分析--有季节效应的非平稳序列分析-ARIMA乘法模型-R语言

在上一篇文章（http://t.csdn.cn/Lp2Nj）中，我们用到的数据是一个既含有季节效应又含有长期趋势效应的简单序列，为什么说它简单呢，是因为这种序列的季节效应、趋势效应和随机波动彼此之间很容易分开，在这种情况下，可以用简单的季加法模型来拟合该序列的发展。在实际生活中，简单序列的情况有但是少，更为常见的情况是，序列的季节效应、长期趋势效应和随机波动之间存在复杂的交互影响关系，在这种情况下
花店不等花开·2022-12-23 15:49

数据分析 时间序列分析 无季节效应的非平稳时间序列分析

一.克莱姆分解定理1.概述:克莱姆分解定理(CramerDecompositionTheorem)是沃尔德分解定理(WoldDecompositionTheorem)的推广.沃尔德分解定理是平稳序列的理论基础,克莱姆分解定理则是非平稳序列的理论基础.该定理说明任何1个序列的波动都可视为同时受到了确定性因素和随机性因素的综合作用.产生非平稳序列的原因就在于上述2种因素中至少有1种是不稳定的2.沃尔德
EdVzAs·2022-12-23 15:49

python平稳性检验程序_用Python检验时间序列的平稳性

在做时间序列分析时，我们经常要对时间序列进行平稳性检验，而我们常用的软件是SPSS或SAS，但实际上python也可以用来做平稳性检验，而且效果也非常好，今天笔者就讲解一下如何用python来做时间序列的平稳性检验
weixin_39797381·2022-12-23 15:19

SAS时间序列分析案例--有季节效应的非平稳序列分析

本篇以美国1980年-2015年月度失业率为对象，进行一个更为完善的、有季节效应的非平稳时间序列分析流程。
Royde·Bannings·2022-12-23 15:48

吐血推荐！关于在windows10下安装fbprophet心路

想做个简单时间序列分析中的季节性因素分析，考虑使用加法模型和乘法模型，因为对于销量预测来说，这个模型还是很成熟的。
weixin_43194629·2022-12-23 11:21

数据挖掘-时间序列分析（转载）

转自：数据挖掘——时间序列分析-没有神保佑的瓶子-博客园时间序列分析一、概念时间序列（TimeSeries）时间序列是指同一统计指标的数值按其发生的时间先后顺序排列而成的数列（是均匀时间间隔上的观测值序列
bodybo·2022-12-22 17:57

时间序列分析学习笔记（一）：ARIMA模型群

时间序列分析（一）：ARIMA模型群ARIMA模型群是最经典的统计学时序模型，也是最经典的、适用于单变量时间序列数据的模型。
寒武纪003·2022-12-22 17:26

时间序列中Hurst指数的计算（python代码）

在做时间序列分析时，需要计算Hurst指数，由于Hurst指数计算比较复杂，刚开始懒得自己写，就在github上进行搜索，多是这个代码：fromnumpyimportstd,subtract,polyfit
晓东邪·2022-12-22 10:49

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格|附代码数据

时间序列分析是统计学中的一个主要分支，主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值简介时序分析有两种方法，即频域和时域。
·2022-12-21 17:51

SPSS＋finebi实现基于分类算法的理财产品顾客亏损及收益分析二

知识准备数据挖掘技术包括关联分析、序列分析、分类、预测、聚类分析及时间序列分析等。1.关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。
玻璃水的客观性·2022-12-21 13:42

Python中差分的基本原理及实现

2.差分的作用差分是时间序列分析领域常用的一种处理手段，差分的目的主要是消除一些数据波动，消除数据对时间的依赖性，使得数据趋于平稳。差分变化经常用来使得结果更为直观。
酒酿小圆子～·2022-12-21 09:11

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（correlationanalysis）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，是研究随
·2022-12-20 22:08

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（correlationanalysis）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，是研究随
·2022-12-20 22:04

python自回归_向量自回归模型（VAR）到底厉害在哪里？

Vectorautoregressivemodel是多元时间序列分析中最基础的一族模型之一，我们可以从两个角度来理解它，从纵向比较来看，它是单变量时间序列Autoregressive(AR)模型在多元时间序列上的衍生
weixin_39994949·2022-12-20 20:46

R语言基本用法（主要为时间序列分析方面）

前言本文是我个人对于之前学习的R语言的一个复习，也是给同样学习R语言的同学们看一看，主要目的是便于理解和使用，文中并没有过多对于函数原理介绍，主要是公式何处应用和怎样应用，如果对于具体的原理感兴趣，可以查阅书籍或自行网上搜索。R语言下载如果您已经下载完毕，尽管跳过这一环节，毕竟这玩意没啥好说的。首先是登陆CRAN的官网http://cran.r-project.orghttp://cran.r-p
莫语尘·2022-12-19 17:48

时间序列分析

目录1.简单介绍一下1.1时间序列定义1.2时间序列分析方法1.2.1描述分析法1.2.2确定性因素分解方法1.2.3随机性因素分解方法1.2.4时域分析方法2.时间序列的预处理2.1平稳性检验2.1.1
小天使甲·2022-12-19 15:14

2022 年时间序列分析最顶流的 Python 库

时间序列分析是一种强大的工具，可用于从数据中提取有价值的信息并对未来事件进行预测。它可用于识别趋势、季节性模式和变量之间的其他关系。时间序列分析还可用于预测未来事件，例如销售、需求或价格变动。
Python数据开发·2022-12-18 13:57

循环神经网络RNN概述

循环神经网络（RNN）应用领域：主要是自然语言处理（NLP）方向文档分类和时间序列分析（识别文章的主题）时间序
lovecode2008·2022-12-18 12:22

时间序列分解 | Python实现奇异谱分析(SSA)分解时间序列

时间序列分析|Python实现奇异谱分析(SSA)分解时间序列目录时间序列分析|Python实现奇异谱分析(SSA)分解时间序列基本介绍分解描述算法步骤程序设计参考资料基本介绍时间序列分解是时序分析中的重要方法
小橘算法屋·2022-12-17 20:57

【实战】——以波士顿房价为例进行数据的相关分析和回归分析

目录前言一、相关分析1、概念2、数据来源及处理3、分析3.1、协方差3.2、相关系数二、回归分析1、概念2、一元线性回归3、多元回归三、逻辑回归1、概念2、逻辑回归3、拟合效果四、时间序列分析1、概念结语前言之前的一篇文章
貮叁·2022-12-16 13:45

煤炭价格预测：基于matlab的时间序列分析（主要流程+完整代码）

基于matlab的时间序列分析（主要流程+完整代码）案例简介时间序列简介平稳时间序列{xt}ARIMA=AR+MA+INTEGRATER实例应用数据平稳化模型选择——确定p、qACF/PACF图法（不推荐
hhyyyyzzzz·2022-12-16 12:28

R语言mgcv包时间序列分析在空气污染与健康领域的应用（3）---模型自由度选择

广义相加模型(generalizedadditionalmodel，GAM)是对传统广义线性模型的非参数拓展，可有效处理解释变量与效应变量间复杂的非线性关系。GAM目前已广泛应用于空气污染流行病学研究中，主要用于分析空气污染或气象因素对人群健康事件(如发病、住院和死亡)的急性损害效应。在基础模型构建之后，最重要的工作就是确定模型中非参数平滑函数的自由度df。在广义相加模型中，由于平滑函数的自由度对
天桥下的卖艺者·2022-12-14 23:59

基于鲸鱼算法优化的lssvm回归预测附matlab代码

更多Matlab仿真内容点击智能优化算法神经网络预测雷达通信无线传感器信号处理图像处理路径规划元胞自动机无人机电力系统⛄内容介绍井下动液面是抽油井的一个重要生产参数,能够反映抽油井的生产效率.采用基于时间序列分析的方法对动液面进行预测
matlab科研助手·2022-12-14 17:16

用 Python 检验时间序列的平稳性

在做时间序列分析时，我们经常要对时间序列进行平稳性检验，而我们常用的软件是SPSS或SAS，但实际上python也可以用来做平稳性检验，而且效果也非常好，今天笔者就讲解一下如何用python来做时间序列的平稳性检验
Python中文社区·2022-12-13 07:00

python之pandas包的详解与使用

什么是pandaspandas是一种Python数据分析的利器，是一个开源的数据分析包，最初是应用于金融数据分析工具而开发出来的，因此pandas为时间序列分析提供了很好的支持。
哎呦，帅小伙哦·2022-12-12 13:03

R语言：时序图和自相关图

这学期的《应用时间序列分析》、《R语言》、《统计案例分析》都需要使用R语言，故将课程中学到的代码以及相关补充代码分享出来，一方面促进自身学习的积极主动性，另一方面或许可以给学习R语言的同学们提供一点点帮助
Mia~~·2022-12-12 11:37

Python中的时序分析工具包推荐（1）

导读时间序列分析是一类经典问题，常见的场景需求包括时序预测、时序分裂、时序聚类、异常检测等。作为一名算法工程师，当调包遇上时间序列，有哪些好用的工具包呢？
小数志·2022-12-11 23:18

时间序列分析的关键问题

特征提取利用深度神经网络或者传统特征工程的方法，例如卷积、多尺度卷积或者PCA降维法。首先，时间序列的特征工程也大多是基于这三个数据衍生出来的：时序值衍生的特征因为时间序列是通过历史来预测未来，那么，这个时序值的历史数据，也就是当前时间点之前的信息就非常有用，通过他可以发现时间序列的趋势因素、季节性周期性因素以及一些不规则的变动，具体来说这部分特征可以分为三种：滞后值、滑动窗口统计和拓展窗口统计。
xiaobin199cs·2022-12-11 22:09

数学建模学习笔记（清风）——时间序列分析

目录基础部分：适用范围：具体步骤：Spss给出的时间序列分析模型种类：（指数平滑模型）注意事项：基础部分：适用范围：主要用于短期的时间序列数据的预测，也可用于描述过去，分析规律、预测未来具体步骤：1、作时间序列图
SELF...DISCIPLINE·2022-12-11 15:25

【时间序列分析】平稳性检验及ARIMA模型

AugmentedDicky-Fullertest用于检验序列平稳性H0：时间序列可以表示成单位根过程，即非平稳H1：时间序列是平稳的fromstatsmodels.tsa.stattoolsimportadfullerimportnumpyasnpimportmatplotlib.pyplotaspltx=[np.random.randn()]foriinrange(100):x.append(
zhouhy0903·2022-12-11 12:39

语言时间序列年月日_TIGRAMITE | 基于Python语言开发的时间序列因果分析软件包！...

今日推荐一个基于Python语言开发的时间序列因果分析软件包：TIGRAMITE–CAUSALDISCOVERYFORTIMESERIESDATASETSTigramite是一个因果时间序列分析python
weixin_39887386·2022-12-11 11:37

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-word2evc-基于向量空间中词表示的有效估计

-基于向量空间中词表示的有效估计目录概念引入摘要大意介绍词的表示方式评价指标词向量训练方式复杂度的降低负采样重采样(SubsamplingofFrequentWord)研究成果概念引入逻辑回归线性回归时间序列分析神经网络
丰。。·2022-12-09 10:24

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-char_embedding

本文目录概念引入由来摘要大意C2W模型语言模型的训练流程词性标注模型研究成果概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evc由来词向量的学习在自然语言处理的应用中非常重要
丰。。·2022-12-09 10:24

基于残差连接结合1D_CNN的滚动轴承故障诊断

结合残差网络的直连结构，残差结构直连能够避免深度梯度消失，一维卷积神经网络是运用一维卷积对一维时序序列进行特征提取的卷积神经网络，能够保证在不损失时序特征的同时提取局部特征，对于轴承振动信号这样的周期的时间序列分析是非常有效的
qq_1772216040·2022-12-08 16:40

Python金融领域人工智能教程

Python金融领域人工智能教程财务分析、时间序列分析、投资组合优化、CAPM、算法交易、Q-Learning等等！
IT教程精选·2022-12-08 05:28

【时间序列分析】07.自回归模型AR(p)

文章目录七、自回归模型AR(p){\rmAR}(p)AR(p)1.自回归模型的定义2.AR(p){\rmAR}(p)AR(p)序列的求解与平稳解唯一性3.AR(p){\rmAR}(p)AR(p)模型平稳解的性质讨论4.特例：AR(1){\rmAR}(1)AR(1)序列回顾总结七、自回归模型AR(p){\rmAR}(p)AR(p)1.自回归模型的定义上一篇中，我们对自回归模型的基础——推移算子、常系
江景页·2022-12-08 00:43

时间序列分析中的 statsmodels.tsa.arima_model被抛弃了，如何解决？

fromstatsmodels.tsa.arima_modelimportARIMA#Fitmodelmodel=ARIMA(y_train,order=(1,1,1))#自己调整参数model_fit=model.fit()解决办法：（说明:因为之前那个被python抛弃了，说是换成更好的所有得直接从statsmodels.tsa.arima.model导入ARIMA包）fromstatsmod
-berry·2022-12-08 00:12

LSTM内部结构及前向传播原理——LSTM从零实现系列(1)

一、前言作为专注于时间序列分析的玩家，虽然LSTM用了很久但一直没有写过一篇自己的LSTM原理详解，所以这次要写一个LSTM的从0到1的系列，从模型原理讲解到最后不借助三方框架自己手写代码来实现LSTM
量化交易领域专家YangZongxian·2022-12-06 20:44

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-glove-Global Vectors for Word Representation

本文目录概念引入介绍摘要大意模型原理模型的公式推导模型效果对比概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evc该篇论文的背景word2evc
丰。。·2022-12-06 14:12

时间序列预测 | Python实现LSTM多变量时间序列数据预测

时间序列预测|Python实现LSTM多变量时间序列数据预测目录时间序列预测|Python实现LSTM多变量时间序列数据预测基本介绍程序设计参考资料基本介绍时间序列分析（Time-SeriesAnalysis
小橘算法屋·2022-12-06 13:44

干货 | 时间序列预测类问题下的建模方案探索实践

时间序列分析主要针对时间序列类问题的两个领域，一个是对历史区间数据的分析，通过对过往数据特征的提炼总结来进行异常检
AI科技大本营·2022-12-06 10:24

深度学习神经网络学习笔记-自然语言处理方向-论文研读-阅读理解-NLP-MRC

本文目录概念引入机器阅读理解的简要介绍论文研究背景相关数据集的时间脉络问答系统的分类研究成果实验结果概念引入有关中文实体命名识别逻辑回归线性回归时间序列分析神经网络self-attention与softmax
丰。。·2022-12-05 16:00

ARMA模型的识别

在对时间序列分析的时候，可能会经常用到ARMA模型，其中p和q的值到底如何确定，有些书讲的不是太明白，只是讲到截尾和拖尾，至于到底如何判断，请看如下详细解释：1、p是自相关AR模型的系数，而q是MA模型的系数
xiewenbo·2022-12-05 16:00

时间序列分析 Python与statsmodels实现ARMA模型

宝藏网站（官方文档）：TimeSeriesAnalysis建模步骤1.平稳性和纯随机性检验平稳性和纯随机性检验的重要性：ARMA、ARIMA模型都建立在时间序列为平稳非白噪声序列的假设下。平稳性检验方法：时序图检验，自相关图检验，单位根检验简单介绍**单位根检验（ADF检验）**代码如下（使用statsmodels下的adfuller）：defadf_test(timeseries):#传入时间序
网绿눈_눈·2022-12-05 16:29

pta求阶乘序列前n项和_python在时间序列分析中的简介

1时间序列分析简介时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。
weixin_39859715·2022-12-05 16:59

时间序列分析ARMA模型原理及Python statsmodels实践（下）

目录4.ARMA模型预测销量实践4.1.统计分析包statsmodels4.2.常用函数概述4.2.1.绘制自相关、偏自相关图4.2.2.白噪声检验4.2.3.单位根检验4.2.3.1.单位根如何确定数据是否平稳？4.2.4.选定模型参数4.2.5.ARIMA模型函数4.2.5.1.常用方法4.2.5.2.常用属性/参数4.3.Python实践过程4.3.1.时序数据平稳性检验4.3.2.差分及相
肖永威·2022-12-05 16:28

Eviews7.2模型建模与预测时间序列分析（ARMA 模型建模与预测）

1、模型识别（1）数据录入打开Eviews软件，选择“File”菜单中的“New–Workfile”选项，在“Workfilestructuretype”栏选择Dated-regularfrequency，在Datespecification栏中选择Monthly，startdate填2017:1、enddate填2019:12，点击ok，如下图，这样就建立了一个工作文件。（2）绘制序列时序图双击
沉香如屑·2022-12-05 12:00

Eviews7.2模型建模与预测时间序列分析（数据平稳性检验）

一、平稳性检验（1）绘制时序图实验步骤：在EVIEWS中建立工作文件，在“Workfilestructuretype”栏中选择“Date-regularfrequency”，在右边的“Datespecification”中输入起始时间2000年1月，终止时间2003年12月，点击OK就会建立工作文件。找到销售量的Excel文件并导入命名该序列为sales，做出折线图从图可以看出，销售量在50到30
沉香如屑·2022-12-05 12:30

时序图 分支_时序分析基本理论与方法——时间序列分析相关概念

时间序列分析相关概念时间序列分析法是统计学科的一个重要分支，它是通过序列数据（或称为随机数据序列）来揭示系统动态结构发展演变规律的一种统计方法，即通过利用随机过程理论和数理统计学相结合的方法，来达到研究随机数据序列所服从的统计分布规律的目的
weixin_39526459·2022-12-05 12:29

eviews建立时间序列模型_Eviews教程 Eviews进行时间序列分析教程

Eviews是一款计量经济学观察分析软件，利用这款软件我们可以进行简单的时间序列分析，例如可以进行画时间序列数据图、用单位根法检验平稳性等等。
马克love·2022-12-05 12:59
上一页 5 6 7 8 9 10 11 12 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他