时间序列
分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响|附代码数据
全文下载链接 http://tecdat.cn/?p=23947 最近我们被客户要求撰写关于分布滞后线性和非线性模型的研究报告，包括一些图形和统计输出。 分布滞后非线性模型（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。该方法论基于交叉基的定义，交叉基是由 ......
R语言神经网络模型预测多元时间序列数据可视化
全文链接：http://tecdat.cn/?p=32198 原文出处：拓端数据部落公众号 多元时间序列建模一直是吸引了来自经济，金融和交通等各个领域的研究人员的主题。多元时间序列预测的一个基本假设是，其变量相互依赖。 在本文中，我们使用了专门针对客户的多元时间序列数据设计的神经网络框架，拟合单隐层 ......
R语言单位根、协整关系Granger因果检验、RESET分析汇率在岸和离岸数据时间序列
全文链接：http://tecdat.cn/?p=32188 原文出处：拓端数据部落公众号 单位根的随机性趋势与协整关系对实证分析中时间序列的影响是不容小觑的。检验的目的在于更好的分辨数据特性、甄选模型，以达到或能预测或能证实因果关系或否定以上两者的结果。 单位根检验 基本思路 在进行时间序列分析时 ......
R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性
报告链接：http://tecdat.cn/?p=32161 原文出处：拓端数据部落公众号 本文通过建立空载率的数学模型，帮助客户来分析出租车的空载率，从而对出租车补贴政策能否提高高峰期的实载率，缓解打车难问题进行了说明。 分析思路 1.利用这么多天的数据，按照算法先算出每天的日平今年空载率，绘制成 ......
时间序列的平稳性
你可以用两种方法来测试时间序列的平稳性: 直观的方法：肉眼评估 统计方法：单位根检验 我们将创建几个示例，使用Hyndman 和 Athanasopoulos的时间序列分析教材《Forecasting: principles and practice》中提到方法解释平稳性的视觉评估，并扩展它们的用法 ......
时间序列预测的深度学习:电力负荷案例 DTS -深度时间序列预测 源代码
时间序列预测的深度学习:电力负荷案例 DTS -深度时间序列预测 源代码，代码按照高水平文章复现，保证正确 深度学习模型于电力负荷预测， 深度学习体系结构对短期预测，在通过在两个数据集上回顾和实验评估电力负荷预测，前馈和递归神经网络、序列到序列模型、时域卷积神经网络以及架构变量. 实验评估了最相关的 ......
主题：基于k-means算法的光伏时间序列聚类
关键词：光伏聚类 K-means聚类 时间序列 编程语言：matlab 主题：基于k-means算法的光伏时间序列聚类 主要内容： 本代码研究大量随机场景下光伏序列聚类与削减问题，首先，生成大量光伏随机场景，其次，在此基础上，基于Kmeans算法，对该大规模场景进行聚类，从而实现大规模场景的削减，最 ......
10种经典的时间序列预测模型 本文演示了 10 种不同的经典时间序列预测方法
[matlab]10种经典的时间序列预测模型 本文演示了 10 种不同的经典时间序列预测方法，它们是 1) 自回归 (AR) 2) 移动平均线 3) 自回归移动平均线 4) 自回归积分移动平均线 (ARIMA) 5) 季节性自回归积分移动平均线 (SARIMA) 6) 具有外生回归量的季节性自回归综 ......
方法总结|金融时间序列联动相关及风险溢出
在金融时间序列研究中，市场间的联动相关和风险溢出一直是热点方向。随着研究不断深入，方法也层出不穷，比如从收益率到波动率，从一阶矩到高阶矩，从静态不变到动态时变，从线性相关到非线性相关，从尾部对称到尾部非对称等等...... 1.收益率相关、均值溢出。 主要方法包括：ARIMA、协整检验（Cointe ......
7个最新的时间序列分析库介绍和代码示例
时间序列分析包括检查随着时间推移收集的数据点，目的是确定可以为未来预测提供信息的模式和趋势。我们已经介绍过很多个时间序列分析库了，但是随着时间推移，新的库和更新也在不断的出现，所以本文将分享8个目前比较常用的，用于处理时间序列问题的Python库。他们是tsfresh, autots, darts, ......
经济学：动态模型平均(DMA)、动态模型选择(DMS)、ARIMA、TVP预测原油时间序列价格|附代码数据
全文链接：http://tecdat.cn/?p=22458 最近我们被客户要求撰写关于动态模型平均的研究报告，包括一些图形和统计输出。 本文提供了一个经济案例。着重于原油市场的例子。简要地提供了在经济学中使用模型平均和贝叶斯方法的论据，使用了动态模型平均法（DMA），并与ARIMA、TVP等方法进 ......
R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系|附代码数据
全文链接：http://tecdat.cn/?p=31108 最近我们被客户要求撰写关于VAR模型的研究报告，包括一些图形和统计输出。 作为衡量通货膨胀的基本指标，消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。 对此问题的研究显然具有重要的学术价值与现实 ......
极值分析：分块极大值BLOCK-MAXIMA、阈值超额法、广义帕累托分布GPD拟合降雨数据时间序列|附代码数据
全文链接：http://tecdat.cn/?p=25348 最近我们被客户要求撰写关于极值分析的研究报告，包括一些图形和统计输出。 你们可能知道，实际极值分析有两种常用方法：分块极大值Block-maxima、阈值超额法threshold excess 今天，我们将分别介绍这两种方法。 分块极大值 ......
PYTHON 用几何布朗运动模型和蒙特卡罗MONTE CARLO随机过程模拟股票价格可视化分析耐克NKE股价时间序列数据|附代码数据
原文链接：http://tecdat.cn/?p=27099 最近我们被客户要求撰写关于蒙特卡罗的研究报告，包括一些图形和统计输出。 金融资产/证券已使用多种技术进行建模。该项目的主要目标是使用几何布朗运动模型和蒙特卡罗模拟来模拟股票价格。该模型基于受乘性噪声影响的随机（与确定性相反）变量 该项目分 ......
R语言时变向量自回归（TV-VAR）模型分析时间序列和可视化|附代码数据
全文链接：http://tecdat.cn/?p=22350 最近我们被客户要求撰写关于时变向量自回归（TV-VAR）模型的研究报告，包括一些图形和统计输出。 在心理学研究中，个人主体的模型正变得越来越流行。原因之一是很难从人之间的数据推断出个人过程 另一个原因是，由于移动设备无处不在，从个人获得的 ......
基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。 可用于做风电功率预测，电力负荷预测等等
基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。 可用于做风电功率预测，电力负荷预测等等 标记注释清楚，可直接换数据运行。 代码实现训练与测试精度分析。YID:5860673742612391 ......
R语言使用ARIMAX预测失业率经济时间序列数据|附代码数据
全文链接：http://tecdat.cn/?p=22521 最近我们被客户要求撰写关于ARIMAX的研究报告，包括一些图形和统计输出。 在大数据的趋势下，我们经常需要做预测性分析来帮助我们做决定。其中一个重要的事情是根据我们过去和现在的数据来预测未来。这种方法我们通常被称为预测 许多情况下都需要预 ......
R语言随机波动模型SV：马尔可夫蒙特卡罗法MCMC、正则化广义矩估计和准最大似然估计上证指数收益时间序列|附代码数据
全文链接：http://tecdat.cn/?p=31162 最近我们被客户要求撰写关于SV模型的研究报告，包括一些图形和统计输出 本文做SV模型，选取马尔可夫蒙特卡罗法(MCMC)、正则化广义矩估计法和准最大似然估计法估计。 模拟SV模型的估计方法： sim <- svsim(1000,mu=-9 ......
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析|附代码数据
全文下载链接：http://tecdat.cn/?p=17748 最近我们被客户要求撰写关于销售量时间序列建模的研究报告，包括一些图形和统计输出。 在本文中，在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测 我将通过以下步骤： 探索性数据分析（EDA） 问题定义（我们要解决 ......
时间序列特征提取的Python和Pandas代码示例
使用Pandas和Python从时间序列数据中提取有意义的特征，包括移动平均，自相关和傅里叶变换。 前言 时间序列分析是理解和预测各个行业(如金融、经济、医疗保健等)趋势的强大工具。特征提取是这一过程中的关键步骤，它涉及将原始数据转换为有意义的特征，可用于训练模型进行预测和分析。在本文中，我们将探索 ......
城市居民食品分类及零售价格预测——聚类分析，马尔科夫预测，时间序列预测
城市居民食品分类及零售价格预测 代码有问题，在后文修改 总结 一、价格特点描述 价格特点可从数值和增长率两个方面进行描述。 (1)数值描述法：直接用价格增长为描述对象，绘制价格——时间曲线。数值描述法可以直观地描述价格的变动趋势，但是由于各种食品的价格下相差较大且数据量很大，致使无法提现食品价格的变 ......
基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序
基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。 可用于做风电功率预测，电力负荷预测等等 标记注释清楚，可直接换数据运行。 代码实现训练与测试精度分析。YID:5860673742612391 ......
ARMA-GARCH-COPULA模型和金融时间序列案例|附代码数据
原文链接： http://tecdat.cn/?p=3385 最近我们被客户要求撰写关于ARMA-GARCH-COPULA的研究报告，包括一些图形和统计输出。 最近我被要求撰写关于金融时间序列的copulas的调查 从读取数据中获得各种模型的描述，包括一些图形和统计输出。 > oil = read. ......
10种经典的时间序列预测模型 本文演示了 10 种不同的经典时间序列预测方法
[matlab]10种经典的时间序列预测模型 本文演示了 10 种不同的经典时间序列预测方法，它们是 1) 自回归 (AR) 2) 移动平均线 3) 自回归移动平均线 4) 自回归积分移动平均线 (ARIMA) 5) 季节性自回归积分移动平均线 (SARIMA) 6) 具有外生回归量的季节性自回归综 ......
常用的处理时间序列的模型
处理时间序列的模型有很多种，下面列举一些常见的： ARIMA模型：自回归移动平均模型，用于分析和预测时间序列数据。 LSTM模型：长短时记忆模型，是一种循环神经网络，能够捕捉时间序列中的长期依赖关系。 GRU模型：门控循环单元模型，是一种循环神经网络，类似于LSTM，但参数更少，训练速度更快。 Pr ......
m分别使用BP神经网络和GRNN网络进行时间序列预测matlab仿真
1.算法描述 广义回归神经网络是径向基神经网络的一种，GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，还可以处理不稳定数据。虽然GRNN看起来没有径向基精准，但实际在分类和拟合上，特别是数据精准度比较差的时候有 ......
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析|附代码数据
全文下载链接：http://tecdat.cn/?p=17748 最近我们被客户要求撰写关于销售量时间序列的研究报告，包括一些图形和统计输出。 在本文中，在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测 我将通过以下步骤： 探索性数据分析（EDA） 问题定义（我们要解决什么 ......
使用Pytorch构建LSTM网络实现对时间序列的预测
使用Python构建LSTM网络实现对时间序列的预测 1. LSTM网络神经元结构 LSTM网络 神经元结构示意图 在任一时刻 $t$，LSTM网络神经元接收该时刻输入信息 $x_t$，输出此时刻的隐藏状态 $h_t$，而 $h_t$ 不仅取决于 $x_t$，还受到 $t-1$ 时刻细胞状态 (ce ......
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析|附代码数据
全文下载链接：http://tecdat.cn/?p=17748 最近我们被客户要求撰写关于销售量时间序列的研究报告，包括一些图形和统计输出 在本文中，在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测 我将通过以下步骤： 探索性数据分析（EDA） 问题定义（我们要解决什么） ......