Публикации по теме 'time-series-forecasting'
Короткометражки по науке о данных: декомпозиция
Значительные выгоды иногда достигаются простейшими методами.
В первой из серии коротких статей я хотел бы изложить ключевую идею относительно входных данных: разделение наших обучающих функций и извлечение более фундаментальных функций, которые их составляют, позволяет нам существенно улучшить прогностическое качество наших моделей.
Чтобы проиллюстрировать нашу точку зрения, предположим, что мы пытаемся сгенерировать прогноз будущих значений произвольного временного ряда. Для..
Краткое введение в рекуррентные нейронные сети
Введение в RNN, LSTM и GRU и их реализацию
Если вы хотите делать прогнозы для последовательных данных или данных временных рядов (например, текста, аудио и т. д.), традиционные нейронные сети — плохой выбор. Но почему?
В данных временных рядов текущее наблюдение зависит от предыдущих наблюдений, и поэтому наблюдения не являются независимыми друг от друга. Однако традиционные нейронные сети рассматривают каждое наблюдение как независимое, поскольку сети не могут сохранять прошлую или..
Прогнозирование времени попадания: другой способ вероятностного прогнозирования временных рядов
Сколько времени требуется для достижения определенного значения?
Возможность делать точные прогнозы является фундаментальной для любого приложения для прогнозирования временных рядов. Следуя этой цели, специалисты по данным привыкли выбирать лучшие модели, которые сводят к минимуму ошибки с точки зрения точечного прогноза . Это правильно, но не всегда может быть лучшим эффективным подходом.
Специалистам по данным следует также рассмотреть возможность разработки моделей..
Методы прогнозирования временных рядов
Полная теоретическая интуиция о временных рядах и различных связанных с ними терминологиях уже опубликована в предыдущем блоге . Этот блог полностью посвящен различным моделям/методам прогнозирования временных рядов. Ниже приведены методы, которые рассматриваются в этом блоге:
Прогнозирование временных рядов с помощью методов сглаживания
Экспоненциальное сглаживание Метод Холта-Уинтерса
Одномерное прогнозирование временных рядов
Авторегрессия (AR) Скользящая..
Простые конформные интервалы без распределений для временных рядов
Использование Python и набора тестов для получения интервалов, не зависящих от распределения
Не менее важным, чем получение точечной оценки для приложений прогнозирования, является определение того, насколько вероятно фактическое значение будет отличаться от прогноза. Большинство прогнозов не являются точными на 100%, поэтому важно иметь хорошее представление о возможностях при реализации модели. Для моделей с лежащими в основе функциональными формами, такими как ARIMA, доверительные..
Введение в прогнозирование временных рядов с использованием RNN
В этой истории мы собираемся сделать прогнозирование временных рядов, используя RNN в наборе данных Quandl в Google Collaboratory.
Quandl ( https://www.quandl.com ) — набор данных, используемый для финансово-экономического анализа.
Чтобы получить доступ к данным Quandl в коде Python, нам нужно установить пакет Python Quandl:
!pip install quandl
После импорта пакета в код нам нужно установить ключ API, который можно получить на сайте Quandl, создав бесплатную учетную запись.
import..
Многоэтапное прогнозирование временных рядов с помощью XGBoost
В этой статье показано, как создавать многоэтапные прогнозы временных рядов с помощью XGBoost на примере 24-часового прогнозирования цен на электроэнергию.
Существует ряд сообщений в блогах и блокнотов Kaggle, в которых XGBoost применяется к данным временных рядов. Однако мой опыт показывает, что в существующих материалах XGBoost применяется либо к классификации временных рядов, либо к прогнозированию на один шаг вперед . В этой статье показано, как применять XGBoost к..
