注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 时间序列分析.ppt

  2. 时序数据与一般统计数据的异 这是一些有严格先后顺序的数据，前后往往存在相承的关系，而非独立的。 方法 从因果关系出发的回归分析 传统的时间序列分析方法 随机过程理论分析方法 频域分析方法

  3. 所属分类：专业指导

    • 发布日期：2009-07-28
    • 文件大小：877568
    • 提供者：yintaozhang

  1. MATLAB 在金融时间序列分析及建模中的应用　

  2. 时MATLAB 在金融时间序列分析及建模中的应用　间序列建模，解次预测问题~

  3. 所属分类：嵌入式

    • 发布日期：2011-04-30
    • 文件大小：309248
    • 提供者：laiyi1990

  1. 时序分析（2010

  2. 这个还不错！时间序列分析的入门简介，可以看看

  3. 所属分类：专业指导

    • 发布日期：2012-01-03
    • 文件大小：900096
    • 提供者：pppasd

  1. 基于改进回声状态网络的混沌时间序列多步预测.

  2. 2010 兰大 基于改进回声状态网络的混沌时间序列多步预测

  3. 所属分类：专业指导

    • 发布日期：2012-11-16
    • 文件大小：4194304
    • 提供者：linqing8989

  1. 时间序列分析

  2. 时间序列分析，运用时序模型预测和控制现象的未来行为

  3. 所属分类：算法与数据结构

    • 发布日期：2018-08-16
    • 文件大小：8388608
    • 提供者：meicunbing

  1. HBase在时间序列数据库中的应用

  2. 数据库高级技术专家 悠你在2017杭州云栖大会中做了题为《HBase在时间序列数据库中的应用》的分享,就时序数据和时序数据库介绍,HiTSDB针对时序场景的优化，HBase作为底层存储的优势做了深入的分析。

  3. 所属分类：Hbase

    • 发布日期：2018-02-14
    • 文件大小：6291456
    • 提供者：bloodskyml1

  1. 综采工作面瓦斯数据时间序列预测方法研究

  2. 针对现有基于时间序列的瓦斯浓度预测方法存在算法复杂、预测步长较短等问题，根据瓦斯浓度历史监测数据的随机性与时序性，提出了一种基于ARIMA+GARCH组合模型的综采工作面瓦斯数据时间序列预测方法。首先建立ARIMA预测模型，对瓦斯浓度数据进行平稳化处理，并确定模型的参数估计；然后在预测模型的可靠性通过检验后，针对ARIMA模型在预测过程中存在的均值回归问题，采用GARCH模型模拟ARIMA产生的拟合残差，并将模拟出的结果作为ARIMA模型中预测的噪声项，以此优化预测结果。测试结果表明，基于ARI

  3. 所属分类：其它

    • 发布日期：2020-04-30
    • 文件大小：731136
    • 提供者：weixin_38656395

  1. 矿井涌水量时间序列ARIMA预测模型

  2. 为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结

  3. 所属分类：其它

    • 发布日期：2020-04-25
    • 文件大小：730112
    • 提供者：weixin_38721405

  1. 一种关注频率信息的时间序列模型：EMD-LSTM模型

  2. 一种关注频率信息的时间序列模型：EMD-LSTM模型，方晓晨，雷钦礼，LSTM以其可以扑捉到时序数据内部长期的依赖关系在许多时间序列建模额领域里取得了极大的成功，但是它不能清晰地刻画出时序数据不�

  3. 所属分类：其它

    • 发布日期：2020-02-16
    • 文件大小：713728
    • 提供者：weixin_38670318

  1. 基于时间序列的扭转振动效应系统识别

  2. 基于时间序列的扭转振动效应系统识别，张丹丹，，本文分析在地震作用下建筑物扭转振动效应的模态参数识别，根据系统振动加速度作为时间序列，来建立AR(n)模型。并利用时序模型参数�

  3. 所属分类：其它

    • 发布日期：2020-02-01
    • 文件大小：488448
    • 提供者：weixin_38519660

  1. 时间序列分析

  2. python时间序列分析2018/12/7 python时序数据分析-以示例说玥-geek精神-博客园 1.均值 X staticnary series Non-stationary serles Ⅹ是时序数捱的值,t是时间。可以看到左图,数据的均值对于时间轴来说是常量,即数据的均值 不是时间的函数所有它是稳定的;右图随着时间的推移,数捱的值整体趋势是增加的,所有均 值是时间的函数,数据具有趋势,所以是非稳定的 2.方差 X tationary series Non-Stationary ser

  3. 所属分类：算法与数据结构

    • 发布日期：2019-03-05
    • 文件大小：2097152
    • 提供者：vanghoh

  1. 基于MATLAB的时间序列分析之完美讲义（PDF版）

  2. 时间序列分析、建模、预测的完美讲义，文档有理论讲解以及实践练习，也有MATLAB建模代码。数学建模学习时序分析建模的必需品。

  3. 所属分类：讲义

    • 发布日期：2019-03-03
    • 文件大小：499712
    • 提供者：z_yming

  1. 不同尺度电磁辐射时间序列的混沌特征初步分析

  2. 基于混沌理论,研究了不同尺度煤岩电磁辐射时间序列的混沌特征.研究结果表明:小尺度煤岩电磁辐射脉冲数序列和现场煤岩电磁辐射时间序列的关联维数均收敛于稳定的饱和值,具有混沌特性;有冲击危险时,电磁辐射时序的饱和关联维D2数值较大,变化剧烈;无冲击危险时,电磁辐射时序的饱和关联维数D2数值较小,变化平缓.电磁辐射时序饱和关联维数的变化,可用于监测预报煤岩动力灾害.

  3. 所属分类：其它

    • 发布日期：2020-07-19
    • 文件大小：1048576
    • 提供者：weixin_38727062

  1. Python时间序列处理之ARIMA模型的使用讲解

  2. ARIMA模型 ARIMA模型的全称是自回归移动平均模型，是用来预测时间序列的一种常用的统计模型，一般记作ARIMA(p,d,q)。 ARIMA的适应情况 ARIMA模型相对来说比较简单易用。在应用ARIMA模型时，要保证以下几点： 时间序列数据是相对稳定的，总体基本不存在一定的上升或者下降趋势，如果不稳定可以通过差分的方式来使其变稳定。 非线性关系处理不好，只能处理线性关系 判断时序数据稳定 基本判断方法：稳定的数据，总体上是没有上升和下降的趋势的，是没有周期性的，方差趋向于一个稳定的

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：67584
    • 提供者：weixin_38733333

  1. 时序数据数据预处理、特征提取代码。分段特征、统计特征、熵特征。时间序列.rar

  2. 时序数据数据预处理、特征提取代码。分段特征、统计特征、熵特征。时间序列.rar

  3. 所属分类：互联网

    • 发布日期：2021-03-13
    • 文件大小：5120
    • 提供者：xiaomeiniu5658

  1. msda:多维时间序列数据分析，无监督特征选择，无监督异常检测和可解释的AI-源码

  2. 概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：6291456
    • 提供者：weixin_42143806

  1. MultiFacTV：从高阶时间序列生物学数据中进行模块检测

  2. 背景：从时序生物数据中识别模块有助于我们理解一组相互作用的蛋白质/基因的生物学功能，以及这些蛋白质/基因的响应如何随时间动态变化。 随着来自不同实验室或数据库的时间序列生物学数据的快速采集，鉴定任务提出了新的挑战，迫切需要能够通过综合分析检测模块的强大方法。 为了完成这种综合分析，我们将多个时间序列生物学数据组装成一个高阶形式，例如基因x条件x时间张量。 开发从该张量识别模块的方法是有趣且有用的。 结果：在本文中，我们提出了MultiFacTV，这是一种从高阶时间序列生物学数据中查找模块的新方法

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：1048576
    • 提供者：weixin_38681301

  1. 时间序列大数据平台建设经验谈

  2. 本文来自于网络，介绍一个时间序列数据处理平台案例，探讨这类大数据平台在架构、选型和设计上的一些实践经验。在大数据的生态系统里，时间序列数据(TimeSeriesData，简称TSD)是很常见也是所占比例最大的一类数据，几乎出现在科学和工程的各个领域，一些常见的时间序列数据有：描述服务器运行状况的Metrics数据、各种IoT系统的终端数据、脑电图、汇率、股价、气象和天文数据等等，时序数据在数据特征和处理方式上有很大的共性，因此也催生了一些面向面向时序数据的特定工具，比如时序数据库和时序数据可视化

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：445440
    • 提供者：weixin_38670707

  1. tsmoothie：用于以向量化方式进行时间序列平滑和离群值检测的python库-源码

  2. tsmoothie 一个用于以向量化方式进行时间序列平滑和离群值检测的python库。 总览 tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。 可用的平滑技术是： 指数平滑 具有各种窗口类型（常量，汉宁，汉明，巴特利特，布莱克曼）的卷积平滑 使用傅立叶变换进行频谱平滑 多项式平滑 各种样条平滑（线性，三次，自然三次） 高斯平滑 Binner平滑 低价 各种季节性分解平滑（卷积，最低，自然三次样条） 带有可自定义组件（水平，趋势，季节性，长期季节性）的卡尔曼平滑 tsm

  3. 所属分类：其它

    • 发布日期：2021-01-31
    • 文件大小：1048576
    • 提供者：weixin_42104906

  1. 时间序列大数据平台建设经验谈

  2. 本文来自于网络，介绍一个时间序列数据处理平台案例，探讨这类大数据平台在架构、选型和设计上的一些实践经验。在大数据的生态系统里，时间序列数据(TimeSeriesData，简称TSD)是很常见也是所占比例最大的一类数据，几乎出现在科学和工程的各个领域，一些常见的时间序列数据有：描述服务器运行状况的Metrics数据、各种IoT系统的终端数据、脑电图、汇率、股价、气象和天文数据等等，时序数据在数据特征和处理方式上有很大的共性，因此也催生了一些面向面向时序数据的特定工具，比如时序数据库和时序数据可视化

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：445440
    • 提供者：weixin_38697123
« 12 3 4 5 6 7 8 9 10 »