Публикации по теме time-series-forecasting

Публикации по теме 'time-series-forecasting'

Тета-модель для прогнозирования временных рядов

Практическое руководство по применению модели Theta для прогнозирования временных рядов в Python. Когда дело доходит до прогнозирования временных рядов, мы часто обращаем внимание на модели семейства SARIMAX или экспоненциальное сглаживание. Однако есть один метод прогнозирования, о котором редко упоминают: тета-модель. Несмотря на свою простоту, тета-модель может давать точные прогнозы. Он так хорошо показал себя во время конкурса M-3, крупнейшего академического конкурса по..

ETNA: анализ временных рядов. Что, почему и как?

Всем привет! Меня зовут Саша, и я разрабатываю ETNA — пакет прогнозирования временных рядов. Эта статья будет посвящена методам EDA (Exploratory data analysis) в пакете ETNA. Я постараюсь показать, как найти что-то интересное в ваших данных с помощью этих методов, и объяснить, как использовать эти результаты для улучшения вашей прогностической модели. О наборе данных Сегодня мы попытаемся найти что-нибудь интересное в наборе данных временных рядов с конкурса Прогнозирование..

Прогнозирование временных рядов с помощью глубокого обучения в PyTorch (LSTM-RNN)

Подробное руководство по прогнозированию одномерных временных рядов с использованием глубокого обучения с помощью PyTorch. Введение Хотите верьте, хотите нет, но люди постоянно пассивно предсказывают вещи — даже самые незначительные или кажущиеся тривиальными вещи. Переходя дорогу, мы прогнозируем, где автомобили будут безопасно переходить дорогу, или мы пытаемся предсказать, где именно будет мяч, когда мы попытаемся его поймать. Нам не нужно знать точную скорость автомобиля или..

Автоматическое прогнозирование временных рядов

Нежное введение в пакет Python AutoTS Во многих секторах бизнеса прогнозирование имеет решающее значение для принятия обоснованных и эффективных бизнес-решений. Использование адаптивных, универсальных и передовых альтернатив из сектора машинного обучения (МО) имеет решающее значение в эпоху цифровых технологий и во времена уникальных ситуаций, таких как нынешняя эпидемия коронавируса. Машинное обучение позволяет моделировать определенные отношения, внедрять и выполнять процедуры..

Демистификация вменения данных | Данные временных рядов

Отсутствующие значения являются распространенной проблемой при анализе данных и могут существенно повлиять на результаты анализа данных. Они возникают, когда для переменной в наблюдении не сохраняется значение данных. Обработка пропущенных значений важна, поскольку многие алгоритмы машинного обучения не поддерживают данные с пропущенными значениями. Типы пропущенных значений Есть три типа отсутствующих данных; MCAR (Missing Completet at Random): Это случай, когда вероятность..

Изучение авторегрессионных (AR) моделей: методы эффективного анализа временных рядов

Освоение прогнозирования временных рядов с помощью авторегрессионных (AR) моделей: подробное руководство Авторегрессионные модели предназначены для прогнозирования временного ряда, полагаясь исключительно на его предыдущие значения, также известные как лаги. Они основаны на предположении, что текущее значение переменной временного ряда линейно зависит от ее прошлых значений. Другими словами, авторегрессионная модель предсказывает будущие значения переменной, используя линейную..

ARIMA: Путеводитель по прогнозированию для путешественника во времени

Ну, сначала полная форма: авторегрессивная интегрированная скользящая средняя, довольно много. Что такое временной ряд? Данные временного ряда – это набор наблюдений или точек данных, записанных через разные, регулярные или почти равные промежутки времени. Частота этих записанных точек данных может быть ежечасной, ежедневной, еженедельной, ежемесячной или ежегодной. Прогнозирование временных рядов – это метод использования статистических моделей для прогнозирования будущих..