- 综合排序
- 最热优先
- 最新优先
- 来自专栏二猫の家
【GEE】8、Google 地球引擎中的时间序列分析【时间序列】
从图像时间序列创建视频。 GEE 中的时间序列分析。 向图形用户界面添加基本元素。 2背景 深水地平线漏油事件被认为是有史以来最大的海上意外漏油事件。 "DWH"); // Set map to center on deep water horizon location Map.setCenter(-88.36555556,28.73805556, 8) // Plot a time series of the chlor_a at a single location or summarize values within an area. var l8Chart 7结论 在本模块中，我们开发了一种方法，使我们能够查看墨西哥湾藻类浓度的时间序列数据，以估计深水地平线漏油事件对该生态系统基础营养级的影响。 但是从这个过程中可以清楚地看出，GEE 提供了进行时间序列分析的计算能力和灵活性。希望您可以使用这些工具和方法来提出您自己的问题，了解生态干扰随时间推移的长期影响。
1.7K51编辑于 2023-11-09 - 来自专栏数据STUDIO
时间序列 | pandas时间序列基础
时间序列（time series）数据是一种重要的结构化数据形式，应用于多个领域，包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。 很多时间序列是固定频率的，也就是说，数据点是根据某种规律定期出现的（比如每15秒、每5分钟、每月出现一次）。时间序列也可以是不定期的，没有固定的时间单位或单位之间的偏移量。 时间序列数据的意义取决于具体的应用场景，主要有以下几种： 时间戳（timestamp），特定的时刻。 固定时期（period），如2008年1月或2020年全年。 datetime(2011, 1, 7), datetime(2011, 1, 8), ... 例如，我们可以将之前那个时间序列转换为一 个具有固定频率（每日）的时间序列，只需调用resample即可 ---- pandas.date_range() 生成日期范围 pandas.date_range
2.2K30发布于 2021-06-24 - 来自专栏初见Linux
时间序列
时间索引就是根据时间来对时间格式的字段进行数据选取的一种索引方式。 Python中可以选取具体的某一时间对应的值，也可以选某一段时间内的值。 ，但是并不是所有情况下时间都可以做索引，比如订单表中订单号是索引，成交时间只是一个普通列，这时想选取某一段时间内的成交订单怎么办？ 1.两个时间之差 经常会用到计算两个时间的差，比如一个用户在某一平台上的生命周期（即用最后一次登录时间 - 首次登陆时间） Python中两个时间做差会返回一个 timedelta 对象，该对象包含天数 #9960 cha.seconds/3600 #将秒换算成小时的时间差 #2.7666666666666666 2.时间偏移 时间偏移指给时间往前推或往后推一段时间（即加减一段时间
2.7K10发布于 2020-08-05 - 来自专栏自然语言处理
时间序列入门时间序列入门
时间序列定义 时间序列（英语：time series）是一组按照时间发生先后顺序进行排列的数据点序列。 通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理 时间序列特性 时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果 单步预测/多步预测 通常，时间序列预测描述了预测下一个时间步长的观测值。这被称为“一步预测”，因为仅要预测一个时间步。在一些时间序列问题中，必须预测多个时间步长。 与单步预测相比，这些称为多步时间序列预测问题。比如给定历史7天内的天气温度，单步预测就是预测第8天的温度，预测后续三天的气温就是多步预测。 %8Fj.issn.1002-137X.2019.01.004
1.6K31编辑于 2021-12-10 - 来自专栏时空探索之旅
KDD 2025 | (8月轮)时间序列论文总结
KDD 2025将在2025年8月3号到7号在加拿大多伦多举行，本文总结了KDD 2025(August Cycle)有关时间序列（Time Series）相关文章，共计11篇，其中1-10为Research 时间序列Topic：预测，异常检测，测试时适应等。 Forecasting 链接：https://dl.acm.org/doi/10.1145/3690624.3709254 作者：Hyunwoo Seo, Chiehyeon Lim 关键词：预测，掩码时间序列建模 github.com/lIcIIl/UMI 作者：Chen Yang, Jingyuan Wang, Xiaohan Jiang, Junjie Wu 关键词：股票收益预测，市场非理性，深度学习，自监督学习 UMI 8 Huang, Yunzhi Wu, Xun Lu, Erpeng Qi, Yunkai Chen, Zhongya Xue, Qitong Wang, Peng Wang, Wei Wang 关键词：金融时间序列预测
1.7K00编辑于 2025-05-02 - 来自专栏云云众生s
MongoDB 8专注于时间序列数据和横向扩展
时间序列聚合使性能提高了 200%，可扩展性提高了 50%。 时间序列聚合的速度提高了 200%，可扩展性提高了 50%，数据库的独特功能 可查询加密 扩展到更多类型的查询。 在发布前一个月，该公司还停用了许多使用较少的特性和产品。 时间序列数据处理 这些改进旨在提高各种用例的整体性能，即使是轻微的次优性能也会导致用户不满。 架构中的各种优化通过更智能的内存使用和更高效的查询，从软件中挤出了额外的 32% 的性能提升。 时间序列处理提高了惊人的 200%。一种新的批量处理 INSERT、UPDATE 和 DELETE 的方法将批量写入速度提高了 56%，数据复制并发写入速度提高了 20%。 这意味着该公司声称 MongoDB 可以处理更高数量的时间序列数据，同时执行复杂的聚合。 水平扩展 该公司和项目的贡献者也更加努力地提高水平扩展能力，即软件从数千用户扩展到数百万用户的可能性。
47210编辑于 2024-10-07 - 来自专栏科学最Top
时间序列8个基准Baseline模型及其详细解读
我是从去年11月份开始，选定时间序列预测这个方向，准备在工作之余继续独立进行一些科学研究。选定这个方向是因为我对金融量化一直挺感兴趣，希望能把时间序列中的深度学习算法模型，用到金融数据。 本文后续篇幅从以上8个模型挑选了部分代表性baseline进行简单介绍，如果需要每篇论文的详细解读，可以从最后给出的链接挑选阅读。 它基于两个关键组成部分：（i）将时间序列分割成子序列级别的patch，作为输入token提供给 Transformer；（ii）通道独立性，每个通道包含一个单变量时间序列，共享相同的嵌入和 Transformer Itransformer采取了一种倒置时间序列的做法。具体是将每个变量的整个时间序列独立地嵌入为token，作者称这是 Patch TST的极端情况。 （AAAI2023） 作者认为由于Transformer的自注意力机制是对称的（置换不变性），并且在计算注意力权重时不考虑序列中的位置信息，因此无法有效地捕捉时间序列中的时序依赖关系，导致时间信息的丢失
97910编辑于 2024-09-18 - 来自专栏机器学习实战
【Kaggle时间序列教程：时间序列入门之时间序列的线性回归（1）】
本系列概述 我翻译了Kaggle上的时间序列教程：为初学者打开学习大门 时间序列分析是数据科学和机器学习中的一个重要领域，广泛应用于金融、气象、销售预测等多个行业。 这篇时间序列教程的内容清晰、结构合理，适合没有时间序列背景的读者逐步掌握这一领域的知识。 在这篇教程中，作者从基础开始，讲解了时间序列的定义、常见问题、如何进行数据预处理、如何选择合适的模型等内容。 虽然我之前有过一些时间序列分析的经验，但通过逐字逐句地翻译教程，我重新梳理了很多基础概念，对时间序列的处理方法有了更加深刻的理解。 时间序列数据常常具有时间依赖性，这与一般的机器学习任务有很大不同。 希望您能在本课程中获得有价值的知识和技能，提升对时间序列数据预测的理解和应用能力！ 什么是时间序列？ 时间序列是指按照时间顺序记录的一组数据或观测值。 最基本的时间步特征是时间虚拟变量，它表示从序列开始到结束的每一个时间步长。
83910编辑于 2025-01-21 - 来自专栏AI那点小事
时间序列(一)
''' 时间序列简单平移法：以预测12月份的销售收入为例 ''' import math def Forecast(profit,N,month): ''' 预测函数 -*- """ Created on Fri Jan 13 11:58:31 2017 @author: DaiPuWei """ ''' 时间序列加权移动平均法:以预测1989年原煤产量为例 这是主函数 ''' #读取数据 data = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章 时间序列模型 -*- """ Created on Fri Jan 13 17:56:56 2017 @author: DaiPuWei """ ''' 时间序列趋势移动平均法，以1965-1985年发电总量为数据集合预测 这是主函数 ''' #读取数据集 sample = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章 时间序列模型
76730发布于 2020-04-20 - 来自专栏AI那点小事
时间序列(三)
""" ''' 时间序列修正指数曲线法，以收音机销售量为例 ''' import pandas as pd import numpy as np import math def Check_Data 这是主函数 ''' #读取数据集 sample = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章 时间序列模型 -*- """ Created on Sun Jan 15 21:54:47 2017 @author: DaiPuWei """ ''' 时间序列Compertz曲线法，以收音机销售量为例 这是主函数 ''' #读取数据集 sample = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章 时间序列模型 -*- """ Created on Sun Jan 15 22:07:39 2017 @author: DaiPuWei """ ''' 时间序列Compertz曲线法，以收音机销售量为例
91420发布于 2020-04-20 - 来自专栏算法进阶
时间序列+Transformer！
Transformer嵌入了时间标记，其中包含每个时间步的多变量表示。iTransformer将每个序列独立地嵌入到变量标记中，这样注意力模块就可以描述多变量相关性，前馈网络可以对序列表示进行编码。 反向版本中，归一化应用于单个变量的序列表示（如公式2），有效处理非平稳问题。所有序列标记归一化为高斯分布，减少不一致测量导致的差异。之前的架构中，时间步的不同标记将被归一化，导致时间序列过度平滑。 自注意力（Self-attention） 逆模型将时间序列视为独立过程，通过自注意力模块全面提取时间序列表示，采用线性投影获取查询、键和值，计算前Softmax分数，揭示变量之间的相关性，为多元序列预测提供更自然和可解释的机制 3 实验 我们全面评估了iTransformer在时间序列预测应用中的性能，验证了其通用性，并探讨了Transformer组件在时间序列反向维度的应用效果。 前馈网络独立应用于变量标记，学习共享和转移的时间序列模式。与通道独立性策略相比，iTransformer直接预测所有变量，性能通常较小，表明FFN能够学习可转移的时间序列表示，如图4所示。
2.6K10编辑于 2024-02-29 - 来自专栏EmoryHuang's Blog
Redis 时间序列
Redis 时间序列 前言 REmote DIctionary Server(Redis) 是一个使用 ANSI C 编写的开源、支持网络、基于内存、分布式、可选持久性的键值对存储数据库。 它专门面向时间序列数据提供了数据类型和访问接口，并且支持在 Redis 实例上直接对数据进行按时间范围的聚合计算。 TS.ADD 命令插入数据 TS.GET 命令读取最新数据 TS.MGET 命令按标签过滤查询数据集合 TS.RANGE 支持聚合计算的范围查询 TS.CREATE 命令创建时间序列数据集合 我们可以使用 TS.CREATE 命令 来创建一个时间序列数据集合，同时可以指定一些参数。 例如，我们执行下面的命令，创建一个 key 为 device:temperature、数据有效期为 600s 的时间序列数据集合。也就是说，这个集合中的数据创建了 600s 后，就会被自动删除。
1.3K20编辑于 2022-10-31 - 来自专栏AI那点小事
时间序列(二)
""" """ 时间序列一次指数平移法，以电器销售额的预测为例 """ import pandas as pd import math def Index_Translation(data -*- """ Created on Sat Jan 14 13:37:09 2017 @author: DaiPuWei """ """ 时间序列二次指数平滑法，以发电量预测为例 """ -*- """ Created on Sat Jan 14 17:34:30 2017 @author: DaiPuWei """ """ 时间序列三次指数平滑法，以固定资产他投资总额预测为例 -*- """ Created on Sat Jan 14 19:58:25 2017 @author: DaiPuWei """ """ 时间序列一阶差分指数平滑法，以锅炉燃料消耗量预测为例 -*- """ Created on Sat Jan 14 20:06:47 2017 @author: DaiPuWei """ """ 时间序列二阶差分指数平滑法，以锅炉燃料消耗量预测为例
98230发布于 2020-04-20 - 来自专栏全栈程序员必看
lstm怎么预测长时间序列_时间序列预测代码
写在前面 LSTM模型的一个常见用途是对长时间序列数据进行学习预测，例如得到了某商品前一年的日销量数据，我们可以用LSTM模型来预测未来一段时间内该商品的销量。 下面我将对一个真实的时间序列数据集进行LSTM模型的搭建，不加入很多复杂的功能，快速的完成数据预测功能。 使用采样日期、采样时间和地下水位埋深这三个信息训练LSTM模型，预测未来的水位高度。 raw_value=series.values diff_value=difference(raw_value,1) 进行差分转换后，数据变成了这样的形式： 2、将时间序列形式的数据转换为监督学习集的形式 对于预测时间序列类的问题，可直接使用下面的参数设置： def fit_lstm(train,batch_size,nb_epoch,neurons): # 将数据对中的x和y分开 X,y
3.5K22编辑于 2022-09-30 - 来自专栏CDA数据分析师
时间序列分析：对非平稳时间序列进行建模
祝，学习快乐~ 在这篇博客中，我将会简单的介绍一下时间序列分析及其应用。这里，我们将使用匹兹堡大学的教授David Stoffer所开发的R包astsa进行时间序列分析。 时间序列就是一串基于具体时间区间的观察值。它在经济预测这块用有广泛的应用，而在预测未来一段时间的天气方面也有很广泛的应用。时间序列分析的本质就是利用一个具体的过往的观测值来预测未来的观测值。 在建模之前，我们要检验一下这个时间序列是否平稳。如果一个时间序列是平稳的，它要满足三个条件： 1.常数均值稳定在t。 2.常数方差稳定在t。 尽管回归方法允许给这个数据集的时间序列拟合一条光滑的曲线，时间序列所关注的就是除去尽可能多的趋势来确认回归线所抓取不到的信息的潜在因子。 这看起来需要点技巧，这时，我们在1个时间间隔后面出去所有显著相关性。是时候使用sarima()函数来建立时间序列模型了。
4.2K80发布于 2018-02-24 - 来自专栏机器学习-数据挖掘
【时序预测】时间序列分析——时间序列的平稳化
时间序列的平稳化处理 将非平稳时间序列转化成平稳时间序列，包含三种类型：结构变化、差分平稳、确定性去趋势。本文脉络框架如下： image.png 1.1. 定理内容 Wold分解定理：对于平稳时间序列，时间序列=完全由历史信息确定的线性组合的确定性趋势部分+零均值白噪声序列构成的非确定性随机序列。 Cramer分解定理：对于任何时间序列，时间序列=完全由历史信息确定的多项式的确定性趋势部分+零均值白噪声序列构成的非确定性随机序列。 模拟回归方程法，把时间作为自变量，序列作为因变量，建立序列随时间变化的回归模型。 3.1. 移动平均法 通过取该时间序列特定时间点周围一定数量的观测值的平均来平滑时间序列不规则的波动部分。 模拟回归方程法 把时间作为自变量，序列作为因变量，建立序列随时间变化的回归模型。
12.9K63发布于 2020-07-22 - 来自专栏全栈程序员必看
lstm多变量时间序列预测(时间序列如何预测)
lstm时间序列预测模型 时间序列-LSTM模型 (Time Series – LSTM Model) Now, we are familiar with statistical modelling 现在，我们已经很熟悉时间序列的统计建模，但是机器学习现在非常流行，因此也必须熟悉某些机器学习模型。 我们将从时间序列域中最流行的模型开始-长短期记忆模型。 让我们根据回溯期的值将时间序列数据转换为监督学习数据的形式，回溯期的值本质上是指可以预测时间“ t”时的滞后次数。 So a time series like this − 所以这样的时间序列- time variable_x t1 x1 t2 x2 : : : : T xT When look-back 翻译自: https://www.tutorialspoint.com/time_series/time_series_lstm_model.htm lstm时间序列预测模型 发布者：全栈程序员栈长，转载请注明出处
2.9K60编辑于 2022-08-01 - 来自专栏AI粉嫩特攻队
用python做时间序列预测三：时间序列分解
在初始概念篇中，我们简单提到了时间序列由趋势、周期性、季节性、误差构成，本文将介绍如何将时间序列的这些成分分解出来。 分解的使用场景有很多，比如当我们需要计算该时间序列是否具有季节性，或者我们要去除该时间序列的趋势和季节性，让时间序列变得平稳时都会用到时间序列分解。 加法和乘法时间序列 时间序列的各个观测值可以是以上成分相加或相乘得到： Value = Trend + Seasonality + Error Value = Trend * Seasonality 对比上面的加法分解和乘法分解可以看到，加法分解的残差图中有一些季节性成分没有被分解出去，而乘法相对而言随机多了(越随机意味着留有的成分越少)，所以对于当前时间序列来说，乘法分解更适合。 小结 时间序列分解不仅可以让我们更清晰的了解序列的特性，有时候人们还会用分解出的残差序列(误差)代替原始序列来做预测，因为原始时间序列一般是非平稳序列，而这个残差序列是平稳序列，有助于我们做出更好的预测
3.1K41发布于 2020-06-03 - 来自专栏时序预测
时间序列：18个时间序列特征提取高效方法
时间序列特征提取的理论基础与价值时间序列特征是对时间序列数据的统计量化表示，例如均值、方差、季节强度等指标。特征提取在时间序列分析中具有多重价值：首先，特征提取提供了统一的数据表示方法。 从数据科学的角度看，音频信号本质上是一种特殊的时间序列，表示声压随时间的变化。 资源链接：https://eeglib.readthedocs.io/en/latest/index.html8、 pywaveletsPyWavelets 是一个专业的小波变换库，提供了全面的小波分析工具 ，这些特征专为时间序列分类任务优化选择。 statsmodels 的时间序列分析(tsa)模块包含了多种高级技术，如季节性分解、平稳性检验、季节性测试和时间序列建模方法。这些功能可用于提取描述时间序列关键属性的特征。
2.2K10编辑于 2025-05-09 - 来自专栏小明的博客
非平稳时间序列
时间序列分析的大致框架: 这篇文章的重点放在非平稳时间序列的建模上。 ARIMA 若非平稳序列经过差分后能显示出平稳序列的性质，我们就可以称这个非平稳序列为差分平稳序列，而ARIMA模型拟合就相当于给差分平稳序列使用ARMA模型进行拟合。 如果发现差分之后序列不能用ARMA模型得到很好的拟合效果，很有可能就是因为序列的季节效应和短期的相关性还存在复杂的关联性，这个时候就需要尝试使用乘积模型来进行拟合: 假设这里存在一个季节效应与随机效应存在相关性的非平稳序列 对于资产持有者来说，我们往往希望只关心持有资产的这段时间内收益率会不会有大的波动，那么基于序列全程的方差齐性就不能满足要求，因此就产生了对残差序列短时间内波动方差的研究，因为更多情况下是基于历史的短期波动来预测当期波动 对于一个时间序列而言，在不同的时刻包含的历史信息不同，因而相应的条件方差也不同。利用ARCH模型，可以刻画出随时间变化而变化的条件方差。
1.1K20编辑于 2023-04-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号