time-series相关内容
我喜欢 R,但有些问题实在是太难了. 挑战是在基于时间的窗口大于或等于 6 小时的不规则时间序列中找到滚动和小于 30 的第一个实例.我有这个系列的样本 行人日期时间值1 个 2014-01-01 08:15:00 52个 2014-01-01 09:15:00 53个 2014-01-01 10:00:00 54个 2014-01-01 11:15:00 55个 2014-01-01 1
..
我正在努力将 zoo 对象转换为 ts 对象. 我有一个包含季度小时数据的巨大 data.frame“测试",如下所示: date
..
使用熊猫 0.15.1.假设我有以下两个数据框: 每天2014-11-20 00:00:00 雨2014-11-21 00:00:00 多云2014-11-22 00:00:00 晴天 . 分钟2014-11-20 12:45:00 512014-11-20 12:46:00 432014-11-20 12:47:00 44...2014-11-21 12:45:00 442014-11-2
..
我有一个时间序列示例的数据集.我想计算各种时间序列示例之间的相似性,但是我不想考虑由于缩放引起的差异(即我想查看时间序列形状的相似性,而不是它们的绝对值).因此,为此,我需要一种标准化数据的方法.也就是说,使所有时间序列示例都落在某个区域之间,例如 [0,100].谁能告诉我如何在 python 中做到这一点 解决方案 假设你的时间序列是一个数组,试试这样: (timeseries-ti
..
我想预测时间序列数据.我在以前的帖子中读到,模块 statsmodels 具有使用 ARMA 方法进行预测所需的工具,这正是我一直在寻找的工具.尽管如此,我在预测数据时遇到了麻烦.有人可以解释模型中使用的各种参数和/或提供示例吗? 解决方案 这个问题很笼统,对于背景信息 Rob Hyndman 的链接或任何时间序列分析的教科书都会很有用. Skipper Seabold 在 scip
..
(N=90) 使用神经网络的前点预测: 我试图预测提前 3 分钟,即提前 180 分.因为我将时间序列数据压缩为每 2 个点的平均值为 1,所以我必须预测 (N=90) 超前预测. 我的时间序列数据以秒为单位.数值在 30-90 之间.它们通常从 30 移动到 90 和 90 到 30,如下例所示. 我的数据可能来自:https://www.dropbox.com/s/uq4ui
..
我每个周期工作 30 天(每月),因此我的历史数据集中大约有 2 个周期. R 脚本是, 库(预测)值
..
我是时间序列分析的新手.我有 60 个月的月度销售数据,从 2009 年 1 月到 20013 年 12 月,并试图通过 ARIMA 模型预测未来 6 个月的销售量.我读取数据并将其转换为时间序列对象,如下所示: 数据
..
您好,如果时间序列索引在工作时间之外,我想屏蔽一个每小时时间序列. 我可以实现我想要的工作日数据,但不能实现每小时数据 导入日期时间将熊猫导入为 pd将 numpy 导入为 np从 pandas.tseries.offsets 导入 *st = datetime.datetime(2013, 1, 1)ed = datetime.datetime(2013, 2, 1)myrange =
..
具有以下时间序列: 在 [65]: p出[65]:日期2008-06-02 125.202008-06-03 124.472008-06-04 124.402008-06-05 126.892008-06-06 122.842008-06-09 123.142008-06-10 122.532008-06-11 120.732008-06-12 121.19名称:间谍 如何在特定日期 +/-
..
我正在尝试在 Python 中创建自回归神经网络 (NARX).我只能找到一个库 PyNeurgen.但我找不到任何示例程序来使用它.使用网络训练和预测时间序列.如果有人可以分享如何使用网络训练和预测时间序列.或者如果有任何其他好的 NARX 库. 解决方案 查看教程:http://pyneurgen.sourceforge.net/tutorial_nn.html你可以在这里找到测试用例
..
我已尝试搜索,但找不到此问题的具体答案.到目前为止,我能够意识到使用 SVM 可以进行时间序列预测.我浏览了几篇执行相同但没有提及任何代码的论文/文章,而是解释了算法(我不太明白).有些人使用python完成了它.我的问题是:我有一个公司 2010 年到 2017 年的销售额数据(比如单变量).我需要使用 R 中的 SVM 预测 2018 年的销售额.您能否通过一个小示例简单地介绍和解释 R 代码
..
我有两个数据集 (t,y1) 和 (t,y2).这些数据集在视觉上看起来相同,但它们有一些时间延迟或幅度偏移.我想找到两条曲线之间的相似性(为近似相似的曲线给出相似性分数 1,为不相似的曲线给出 0).由于数据的波动,一些曲线似乎有所不同.所以,我正在寻找找到曲线之间相似性的方法.我已经在 Matlab 中尝试过梯度命令来找到每个时间步的曲线斜率并进行比较.但这并没有给我令人满意的结果.请任何人建
..
在 R 中创建移动平均线或滚动和的最有效方法是什么?滚动功能和“分组依据"如何实现? 解决方案 虽然动物园很棒,但有时还有更简单的方法.如果您的数据表现良好且分布均匀,则 embed() 函数可以有效地让您创建时间序列的多个滞后版本.如果你在 VARS 包内部查看向量自回归,你会看到包作者选择了这条路线. 例如,计算 x 的 3 个周期的滚动平均值,其中 x = (1 -> 20)^
..
我怀疑很多从事时间序列数据工作的人已经遇到过这个问题,而且 pandas 似乎还没有提供一个简单的解决方案(还没有!): 假设: 您有一个包含收盘价的时间序列的每日数据,按日期(天)索引. 今天是 6 月 19 日.最后收盘数据值为 18JUN. 您希望将每日数据重新采样到 OHLC 条形图中,并以某个给定的频率(比如 M 或 2M)在 6 月 18 日结束. 所以对于 M
..
我有大量的时间序列 (> 500),我想只选择那些周期性的.我做了一些文献研究,发现我应该寻找自相关.使用 numpy 我将自相关计算为: def autocorr(x):范数 = x - np.mean(x)结果= np.correlate(规范,规范,模式='full')acorr = 结果[result.size/2:]acorr/= ( x.var() * np.arange(x.siz
..
我正在尝试为时间序列创建一组星期几的箱线图(例如 5 分钟的温度观察). 我的代码: # ts 是我们的时间序列ts = df.SomeColumndow_map = {}天 = ['MON','TUE','WED','THU','FRI','SAT','SUN']dow_idx = ts.index.dayofweek我 = 0d 天:dow_map[d] = ts[dow_idx ==
..
我有一个时间序列数据.生成数据 date_rng = pd.date_range('2019-01-01', freq='s', period=400)df = pd.DataFrame(np.random.lognormal(.005, .5,size=(len(date_rng), 3)),列=['data1', 'data2', 'data3'],索引= date_rng)s = df['
..
我正在尝试使用以下代码计算时间序列中示例窗口的自相关性.我将 FFT 应用于该窗口,然后计算实部和虚部的大小并将虚部设置为零,最后对其进行逆变换以获得自相关: DoubleFFT_1D fft = new DoubleFFT_1D(magCnt);fft.realForward(magFFT);magFFT[0] = (magFFT[0] * magFFT[0]);for (int i = 1;
..
我正在尝试使用 Python/Pandas 构建一些图表.我有每秒采样的数据.这是一个示例: 索引、时间、值31362, 1975-05-07 07:59:18, 36.15161231363, 1975-05-07 07:59:19, 36.18136831364, 1975-05-07 07:59:20, 36.19719531365, 1975-05-07 07:59:21, 36.151
..