Advertisement

time-series-prediction: 天池时间序列预测竞赛回顾

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目是对天池平台举办的时间序列预测竞赛的一次全面回顾与分析。通过复盘比赛过程、总结经验教训及分享模型优化策略，旨在为数据科学家和爱好者提供宝贵的学习资源。 2月22日学习记录：一开始把Aliyun和Docker账号搞混了，导致出现了一些奇怪的模型错误。最后还是在关键时刻解决了问题并成功运行。真是太难了。 2月26日学习记录：由于数据量庞大，我们使用tsfresh来自动化生成功能，并将这些特征应用于模型中。接下来计划尝试使用transformer进行预测。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • time-series-prediction: 天池时间序列预测竞赛回顾
    优质
    本项目是对天池平台举办的时间序列预测竞赛的一次全面回顾与分析。通过复盘比赛过程、总结经验教训及分享模型优化策略，旨在为数据科学家和爱好者提供宝贵的学习资源。 2月22日学习记录：一开始把Aliyun和Docker账号搞混了，导致出现了一些奇怪的模型错误。最后还是在关键时刻解决了问题并成功运行。真是太难了。 2月26日学习记录：由于数据量庞大，我们使用tsfresh来自动化生成功能，并将这些特征应用于模型中。接下来计划尝试使用transformer进行预测。
     
  • 时间序列预测：天池时间序列预测比赛回顾与源码分享（含Transformer股票预测）
    优质
    本篇文章回顾了天池时间序列预测比赛的关键点，并分享了基于Transformer模型进行股票价格预测的源代码。 2月22日学习记录：一开始将Aliyun和Docker账号搞混了，导致出现很多奇怪的模型错误。最终还是在最后关头解决了问题。真是太难了！通过PyCharm终端构建并推送图像到我的注册表成功，得分是-16。 2月26日学习记录：因为数据量很大，我们使用tsfresh来生成特征，并将其自动功能工程化后套入模型中。后续计划尝试用transformer进行预测。
     
  • 时间序列分析教程：Time-Series-Analysis-Tutorial
    优质
    本教程《Time-Series-Analysis-Tutorial》旨在为初学者提供全面的时间序列分析指导，涵盖基础概念、模型建立及应用实例。适合数据科学爱好者和专业人士学习参考。 时间序列分析——分类与预测教程 作者：datamonday 贡献者：datamonday 初次发布：2020-04-17 最后修改：2021-04-06 [toc] 前言 最近一段时间都在学习时间序列预测和时间序列分类相关的知识，一开始感觉无从下手，论文看不懂，代码不会写。经过近三个月的摸索，也算是入门的小白了，这篇博文算是个人经过踩坑、去粗取精之后的经验总结。通过4篇博客、9篇论文、32篇实战教程，梳理出了一套系统化的时间序列预测和时间序列分类任务的入门指南。文中提及的博客论文和教程全部内容字数大约在50万字到100万字之间。既是对这段时间所学知识的梳理总结，也希望给有需要的同学提供帮助。 适用人群： 没有时间序列预测分类相关经验的小白。 代码环境： python 3.7.6 tensorflow 2.1.0
     
  • 时间感知链路预测源码：Time-Aware-Link-Prediction
    优质
    Time-Aware-Link-Prediction 是一个开源项目，专注于通过考虑时间因素来预测复杂网络中的链接形成。该源码提供了一种新颖的方法论框架，适用于社交网络分析、推荐系统等多个领域。 时间感知链路预测算法及其所有附加函数都是用特定编程语言编写的。我们采用张量模型来表示数据，并通过老化函数模拟随时间推移的信息保留情况。接着执行张量分解，评估重建的关联矩阵中链接的存在性。此方法的核心思想基于先前的研究成果[1]。 如果您使用该研究进行相关工作，请引用以下文献： @inproceedings{Kuchar2015-WEBIST-TimeAwareLinkPrediction, author = {Jaroslav Kuchar and Milan Dojchinovski and Tomas Vitvar}, title = {Time-Aware Link Prediction in RDF Graphs}, booktitle = {11th International Conference on Web Information Systems and Technologies (WEBIST)}
     
  • 时间序列预测：天池智慧交通挑战赛解决方案
    优质
    本项目聚焦于2023年天池智慧交通挑战赛，采用先进的机器学习算法进行时间序列预测，旨在优化城市交通流量管理与预测精度。 天池智慧交通预测挑战赛解决方案 本博客分享了我第一次参加天池比赛的实况记录，比较完整地给出了数据预处理、缺失值补全、特征分析过程以及训练和交叉验证的注意事项，适合数据挖掘新人寻找解题思路。全程没有调参，也没有模型融合，仅凭简单的特征提取和XGBoost算法，在排行榜上取得了411716的成绩，基本上可以作为时间序列预测类比赛的一个基准线。 代码包括： - preprocess.py：进行类型转换、缺失值处理以及特征提取。 - xgboost.py：训练模型并进行交叉验证。 数据与题目说明： 该比赛的目标是根据一些路段的流量历史信息来预测未来一段时间内的交通流量。提供的数据共有3个表格，分别是link_info（路段信息）、link_tops（未具体描述）和travel_time（旅行时间）。
     
  • Time-Series-Prediction-using-LSTM-Neural-Network-master.rar
    优质
    这是一个使用LSTM（长短期记忆）神经网络进行时间序列预测的项目代码库。通过深度学习技术，对历史数据进行建模和未来趋势预测。 使用TensorFlow下的LSTM网络进行时间序列预测的代码包括实时多变量预测以及对未来数据的单变量预测，并且代码中有详细的中文解释及参数注释。
     
  • Practical Time Series Analysis - 实用时间序列分析（由Packt出版）
    优质
    《实用时间序列分析》一书由Packt出版社出版，旨在为读者提供时间序列数据处理和预测的实际技能与知识。本书深入浅出地讲解了时间序列分析的基本概念、常用模型及其应用，帮助读者掌握相关技术和工具，以解决实际问题。 《实用的时间序列分析》附带了一个代码库，其中包含了完成本书所需的全部支持项目文件。时间序列分析使我们能够研究一段时间内的数据，并了解这些数据随时间变化的模式。这本书将帮助您理解时间序列分析背后的逻辑并将其应用于各个领域，包括财务、业务和社交媒体。 所有代码都按照章节组织在不同的文件夹中，每个文件夹均以数字开头，后跟应用名称（例如Chapter02）。 示例代码如下所示： ```python import os import pandas as pd %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns ``` 为了运行本书中的示例并编写自己的Python程序进行时间序列分析，您需要安装Anaconda Python发行版。 本书的代码示例如何使用Jupyter Notebook展示和执行。
     
  • 时间序列分类的十年回顾
    优质
    本文综述了过去十年中时间序列分类领域的研究进展与关键突破，分析主要技术路径及发展趋势，并展望未来的研究方向。 本段落对近十年来时间序列聚类算法进行了全面总结，详细分析了每个子步骤，并评价了现有的各种算法。
     
  • MLP的时间序列预测 MLP的时间序列预测
    优质
    MLP的时间序列预测简介：介绍多层感知机（MLP）在时间序列预测中的应用。通过构建复杂非线性模型，MLP能够捕捉历史数据间的深层次关联，从而实现对未来趋势的有效预测。此方法广泛应用于金融、气象等领域。 时间序列预测的MLP（多层感知器）是一种常用的方法，在处理时间序列数据时能够提供有效的预测能力。这种方法通过构建神经网络模型来捕捉时间序列中的复杂模式，并进行未来趋势的预测。在实际应用中，MLP可以被调整以适应不同的任务需求和数据特性，从而实现更加准确的时间序列分析与预测。
     
  • Python-Kaggle网页流量时间序列预测竞赛冠军方案
    优质
    本简介阐述了在Python-Kaggle网页流量时间序列预测竞赛中荣获冠军的策略与模型构建方法，深入探讨数据预处理、特征工程及模型优化等关键环节。 Kaggle网页流量时序预测比赛第一名的方案提供了一种有效的方法来预测网站流量的时间序列数据。该方法利用了先进的机器学习技术，并结合了对历史数据的深入分析，以提高预测准确性。参赛者通过精细的数据预处理和特征工程步骤，以及选择合适的模型架构，实现了在比赛中脱颖而出的目标。这种方法不仅适用于网页流量的预测，在其他时间序列数据分析领域也具有广泛的应用潜力。