xgboost 和 LightGBM 都是优秀的梯度提升框架，它们各自具有一些独特的优点和缺点，选择哪一种算法应该根据实际应用场景和数，可以优先选择xgboost。
时间序列基础1 概述什么是时间序列？时间序列是按时间的先后顺序排列的⼀串数值。 以上描述，是时间序列⼀个⽐较直观的感受。从严格的数学意义上来讲，我们把时间序列 看成了⼀串随机变量。(X1, X2, ⋯ , Xt)每⼀个 Xi 都代表了⼀个随机变量（注意这⾥和机器学习问题的区别P(Y|X)）。⼀个随机变量⼀般需要采样到多次才能⽐较好的估计这个随机变量的⼀些性质。但对于时间序列问题，我们只能采样到⼀次
时间序列预测目录时间序列预测 1.时间序列介绍 2.原始数据集 3.导入数据 4.检测时间序列的*稳性 5.如何使时间序列*稳 5.1 估计和消除趋势 5.1.1 对数转换 5.1.2 移动*均 5.2 消除趋势和季节性 5.2.1 差异化 5.2.2 分解 6.预测时间序列 6.1 AR Model 6.2 MA Model 6.3 Combined Model 6.4 恢复到原始比例 1.时间
转载
2023-08-25 13:08:53
0阅读
“ 本文阐述基于PySpark的sql数据读取、特征处理、寻找最优参数、使用最优参数预测未来销量的全过程，重在预测流程和Pyspark相关知识点的讲解，展示可供企业级开发落地的demo。” 文章目录1 数据读取与预处理1.1 数据读取1.2 特征生成1.3 数据集的划分2 模型构建和调优2.1 设置参数空间2.2 交叉验证2.3 dataframe转换2.4 dataframe最优参数保存至数据库
论文链接：http://xxx.itp.ac.cn/pdf/2106.13008.pdfAbstract 延长预测时间是极端天气预警和长期能源消耗规划等实际应用的关键需求。本文研究时间序列的长期预测问题。先前的基于 Transformer 的模型采用各种 self-attention 机制来发现长期依赖关系。然而，长期未来的复杂时间模式使基于 Transformer 的模型无法找到可靠的
论文标题： Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting 论文链接： https://arxiv.org/abs/2012.07436 源码链接： https://github.com/zhouhaoyi/ETDataset摘要许多实际应用都需要对长序列时间序列进行预测，例如电力消
目录1-pandas与时间序列 2-pandas案例1-pandas与时间序列无论在什么行业，时间序列都是一种十分重要的数据形式，很多统计数据以及数据规律也都和时间序列有着十分重要的关系，而且pandas在处理时间序列是非常简单的。下面我们看下生成时间序列的方法：生成一段时间的python代码如下：import pandas as pd
#生成一段时间范围
t = pd.date_ra
转载
2023-08-21 02:13:25
187阅读
使用深度学习进行时间序列预测：一项调查已经开发了许多深度学习架构来适应跨不同领域的时间序列数据集的多样性。在本文中，我们调查了单步和多水平时间序列预测中使用的常见编码器和解码器设计——描述了每个模型如何将时间信息纳入预测。接下来，我们重点介绍混合深度学习模型的最新发展，该模型将经过充分研究的统计模型与神经网络组件相结合，以改进任一类别的纯方法。最后，我们概述了深度学习还可以通过时间序列数据促进决策
转载
2023-10-18 23:47:35
211阅读
1 概念 ARIMA模型，全称为自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model），是由博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的一种时间序列预测方法。ARIMA模型是指在将非平稳时间序列转化为平稳时间序列过程中，将因变量仅对它的滞后值以及随机误差项的现
本文是PySpark销量预测系列第一篇，后面会陆续通过实战案例详细介绍PySpark销量预测流程，包含特征工程、特征筛选、超参搜索、预测算法。在零售销量预测领域，销售小票数据动辄上千万条，这个量级在单机版上进行数据分析/挖掘是非常困难的，所以我们需要借助大数据利器--Spark来完成。Spark作为一个快速通用的分布式计算平台，可以高效的使用内存，向用户呈现高级API，这些API将转换为复杂的并行
论文名称：Do We Really Need Deep Learning Models for Time Series Forecasting 论文下载：https://arxiv.org/abs/2101.02118 论文年份：2021 论文被引：5（2022/04/28） 论文代码： https://github.com/Daniela-Shereen/GBRT-for-TSF论文总结使用基于
转载
2023-10-20 15:10:33
3阅读
概述一般来说，谈及DL领域时序预测，首先大家会想到RNN类的模型，但RNN在网络加深时存在梯度消失和梯度爆炸问题。即使是后续的LSTM，在捕捉长期依赖上依然力不从心。再后面有了Amazon提出的DeepAR，是一种针对大量相关时间序列统一建模的预测算法，该算法使用递归神经网络 (RNN) 结合自回归(AR) 来预测标量时间序列，在大量时间序列上训练自回归递归网络模型，并通过预测目标在序列每个时间步
时间序列问题是数据科学中最难解决的问题之一。传统的处理方法如 ARIMA、SARIMA 等，虽然是很好，但在处理具有非线性特性或非平稳时间序列问题时很难取得满意的预测效果。为了获得更好的预测效果，并且可以简单高效的完成任务，本文中我将分享给大家7个用于处理时间序列问题的 Python 工具包 文章目录1、tsfresh2、autots3、Prophet4、darts:5、AtsPy6、kats:7
时间序列在生产和科学研究中，对某一个或者一组变量 进行观察测量，将在一系列时刻所得到的离散数字组成的序列集合，称之为时间序列。pandas生成时间序列过滤数据重采样插值滑窗数据平稳性与差分法pandas生成时间序列时间戳（timestamp）固定周期（period）时间间隔（interval）import pandas as pd
import numpy as np# TIMES的几
转载
2023-08-07 12:38:53
200阅读
KNN应用1、KNN简介1.1 KNN算法优缺点2、KNN算法的思想3、最佳K值的选择4、相似度的度量方法4.1 距离定义4.2 欧式距离4.3 曼哈顿距离4.4 余弦相似度4.5 杰卡德相似系数5、K-近邻的分类决策规则6、KNN算法从零实现（基于Python）6.1 伪代码6.2 Python代码实现7、近邻样本的搜寻方法7.1 KD搜寻树7.1.1 KD树的构建7.1.2 KD树的搜寻8、
文章目录一、数据准备二、时间序列预测分类1、输入为xt，输出是yt2、有x值，有y值：NARX(1)选择模型类型(2)选择输出，只有y_t(3)选择70%用来作为训练数据，15%用来作为验证使用，15%用来测试(4)选择delay(5)开始训练(6)得到参数(7)将神经网络导出代码3、无x，有y值：NAR三、总结 Matlab从2010b版本以后，神经网络工具箱已经升级为7.0，功能大大加强。
转载
2023-09-18 05:02:39
307阅读
什么是时间序列时间序列是指在一段连续时间段内由时间和所对应的观察值所组成的一段序列，比如某一年的降雨量。什么是时间序列预测 时间序列预测是指根据某维度数据在过去时间段内的变换情况来预测未来时间段内该数据如何变化，近些年来，随着人工智能技术的发展，时间序列预测被用于金融、商业等多个领域。如何实现时间序列预测
转载
2023-10-11 16:41:14
155阅读
本文翻译自https://www.analyticsvidhya.com/blog/2018/02/time-series-forecasting-methods/，数据集来源于https://datahack.analyticsvidhya.com/contest/practice-problem-time-series-2/。目录表：理解数据集和问题陈述安装包(statsmodels)方法1-
转载
2023-08-22 21:14:51
274阅读
作者：周天(舟恬) 时间序列预测在能源、气象等众多领域都有着广泛应用，达摩院提出了基于频域分解的FEDformer模型，大幅提高了预测精度和模型运行效率，本文将为大家介绍达摩院在时间序列预测方向的最新进展。给定一段时期的历史数据，AI要如何准确预测天气变化、电网负荷需求、交通拥堵状况？这其实是个时序预测问题，通俗理解就是利用历史数据预测未来信息。预测可分为短期、中期和长期预
前面两篇给大家介绍了几种对时间序列直接的预测方法，这一篇给大家讲讲如何对时间序列进行分解，并根据分解法对数据进行预测。要对一个指标进行预测，首先得知道影响这个指标的因素都有哪些。假如，现在领导让你预估下个月的销量情况，这个时候你会从哪些角度进行考虑呢？也就是什么因素会影响下个月的销量呢？正常情况下，第一个需要考虑的因素就是今年比往年整体销量的增长情况是什么样子的，我们把这个因素称为长期趋势；第二个
