Advertisement

时间序列分析教程：Time-Series-Analysis-Tutorial

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

简介：
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

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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
     
  • 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。
     
  • 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。
     
  • Time-Series Analysis: A Practical Approach (epub)
    优质
    本书《时间序列分析：实用方法》以简洁明了的方式介绍了时间序列分析的基本概念和应用技巧，适合初学者及专业人士阅读参考。电子书格式便于携带与学习。 《Practical Time-Series Analysis》英文epub资源转载自网络，如涉及侵权，请联系上传者删除。
     
  • Time Series Structure Analysis: SSA and Related Methods
    优质
    本书介绍了时间序列结构分析中的奇异谱分析（SSA）及其相关方法，为读者提供了深入理解时间序列数据处理的有效工具。 《时间序列结构分析：SSA及相关技术》由N. Golyandina、V. Nekrutkin和A. Zhigljavsky合著。这是一本完整的PDF文档，共310页，是奇异谱分析学习的最原始和权威的教材。
     
  • Analysis of Neural Time Series Data: Theory and Practice
    优质
    本书深入探讨神经时间序列数据的理论与实践分析方法，涵盖信号处理、统计模型及机器学习技术在脑科学研究中的应用。 Mike X Cohen的参考书中的习题及相关MATLAB代码主要涉及时间序列数据分析。
     
  • TIME SERIES ANALYSIS: AN INTRODUCTION - FIFTH EDITION by Chris...
    优质
    《时间序列分析：入门第五版》由Chris等人编著，本书全面介绍了时间序列分析的基本概念、模型和应用方法，适合初学者及专业人士阅读。 原版经典作品《时间序列分析》，共293页，语言优美流畅，非常适合初学者阅读。
     
  • Analysis of Integrated and Cointegrated Time Series Using R (Original PDF)...
    优质
    《利用R语言分析集成和协整时间序列》一书详细介绍了如何使用统计软件R来处理与分析经济及金融数据中的时间序列，特别聚焦于集成过程与协整关系的检测与建模。书中提供了丰富的实例和实战演练，帮助读者掌握复杂的时间序列数据分析技巧。 这本书的标题结合了两个具有影响力的领域。正如David Hendry在Clive W.J. Granger诺贝尔纪念奖演讲中所提到的，“非平稳宏观经济时间序列建模已成为实证宏观经济学研究的主要范式”。因此，掌握集成与协整分析是应用计量经济学家必备的能力。另一方面则是开源统计编程环境R。自1990年代中期以来，它已经从雏形成长为成熟、灵活且强大的软件，并拥有超过600个贡献包。然而可以说，R在计量经济学领域的关注度尚未达到应有的水平。本书旨在弥合这一差距，展示如何轻松地将集成与协整分析中的方法和工具应用到R中。
     
  • SVG-Time-Series：SVG时间序列图表库
    优质
    SVG-Time-Series是一款专为展示和分析时间序列数据而设计的JavaScript库。它利用SVG技术提供灵活、可交互的时间序列图表解决方案，适用于各种Web应用的数据可视化需求。 基于D3.js的SVG时间序列图可以实现60 FPS的效果。与其它基于画布或SVG的图表相比，在平移和缩放操作上速度更快。 例如：1个网格，2条数据系列共1070点；5个网格，每组包含10条数据系列各含1070点的数据集在台式机、最新的iPhone以及顶级Android手机上的表现均能达到60 FPS。另一个演示显示，在台式机上可以达到60 FPS，在较新的iPhone设备上大约为24 FPS，而在老旧的LG D90手机上则约为3 FPS。 相比之下，其他库几乎无法实现60 fps的表现效果。在尝试使用shift键平移这些库提供的示例时会发现这一点（注：这里指代的是原文中提到的操作演示）。 值得注意的是，在上述演示中使用的数据集是相同的纽约与旧金山的温度对比数据。尽管D3.js可能看起来运行较慢，但实际上SVG栅格化并非瓶颈所在。在该特定案例里，只需解决两个问题即可达到60 fps：避免在平移和缩放过程中对网格中的SVG线进行额外属性设置（部分解决方案已经在d3轴库的最新版本中实现），以及使用绘制`d3.timeout()`而不是直接应用`d3.zoom()`来优化性能。
     
  • 时间序列预测分析时间序列预测数据分析
    优质
    简介：时间序列预测分析涉及对按时间顺序排列的数据进行建模和预测。该领域利用统计学、机器学习技术来识别趋势、季节性变化及周期模式，从而实现对未来数据点的有效预测。 时间序列预测数据涉及对未来某个变量值的估计，基于该变量过去的数据点进行分析。这类预测在金融、经济、气象等领域有广泛应用。通过识别历史模式与趋势，可以利用统计模型或机器学习算法来生成未来可能的发展路径。 对于具体的时间序列问题，选择合适的建模方法至关重要。常见的技术包括但不限于自回归（AR）、移动平均（MA）以及它们的组合形式如ARIMA等经典统计学方法；还有基于神经网络、支持向量机及随机森林在内的现代机器学习途径。每种模型都有其适用场景和局限性，在实际应用时需要根据具体需求做出合理选择。 为了提高预测准确性，往往还需要对数据进行预处理步骤（例如差分运算以消除趋势成分或季节效应），以及参数调优等操作来改善拟合效果。此外，交叉验证技术可以帮助评估模型的泛化能力并防止过拟配现象的发生。 总之，在面对时间序列预测任务时，掌握多种建模策略、深入理解数据特征及其背后逻辑，并结合最新的研究成果不断优化算法设计是取得良好成绩的关键所在。