第1 章“时间序列概述”:介绍时间序列分析的基础知识、发展历程、应用现状、分类及其与其他领域(如自然语言处理、计算机视觉等)的关联。 第2 章“时间序列的信息提取”:介绍特征工程的核心概念及其在时间序列分析中的应用,比如对原始数据进行归一化、缺失值填充等转换;以及如何通过特征工程从时间序列数据中提取有用的特...
样本时间间隔不等距 也称event based series 没有定期观察的时间序列 假设我们有一系列来自患者实验室测试的读数。仅当患者前往诊所并进行实验室测试时,我们才会在时间序列中看到观察结果,而这可能不会定期发生 由于不等距,很多传统的方法不能用,因此也是目前时间序列研究中的比较难的 常规的方法还是将它转化为等距的...
从专业定义上来讲：时间序列是按时间顺序排列的数据集合。这些数据可以在任何时间间隔（例如，每秒、每分...
拿到手之后花一周时间翻了一下,《时间序列与机器学习》这本书涵盖了时间序列分析的基础知识。 介绍了特征工程如何从时间序列数据中提取有用的特征。时间序列预测部分则涵盖了从传统的ARIMA模型到现代的深度学习方法,如LSTM和Transformer。 探讨了时间序列相似性度量与聚类、... (展开) ...
第一章:机器学习在时间序列分析中的应用 1.1 数据预处理 在时间序列分析应用中,数据预处理是机器学习模型成功的关键步骤。时间序列数据通常具有时间依赖性和噪声,需要进行清洗、归一化和数据增强等处理。 1.1.1 数据清洗 数据清洗包括处理缺失值、异常值和噪声等。
拿到手之后花一周时间翻了一下,《时间序列与机器学习》这本书涵盖了时间序列分析的基础知识。 介绍了特征工程如何从时间序列数据中提取有用的特征。时间序列预测部分则涵盖了从传统的ARIMA模型到现代的深度学习方法,如LSTM和Transformer。 探讨了时间序列相似性度量与聚类、异常检测、多维时间序列处理等主题,特别是在智能...
时间序列与机器学习 机器学习可以应用于时间序列数据,以构建预测模型或进行分类。以下是一个使用机器学习算法预测股票价格的示例。 首先,我们需要收集股票的历史价格数据。然后,我们将数据分为训练集和测试集。我们可以使用训练集来训练机器学习模型,然后使用测试集来评估模型的性能。
序列到序列（Seq2Seq）架构是为机器学习应用开发的，现在被应用于时间序列预测的挑战。它由三个部分组成...
《时间序列与机器学习》阅读札记一、时间序列分析概述时间序列分析是一种统计学方法,用于研究随时间变化的数据点序列。这些数据点可能是连续的值,如温度、股票价格或离散的事件,如网站访问次数或用户行为记录。时间序列分析的主要目标是揭示数据中的模式、趋势和周期性变化,并基于这些信息进行预测。时间序列分析在多个领域...