Запитання з тегом «time-series»

Мені потрібно автоматизувати прогнозування часових рядів, і я не знаю заздалегідь особливості цих серій (сезонність, тенденція, шум тощо). Моя мета - не отримати найкращу можливу модель для кожної серії, а уникнути досить поганих моделей. Іншими словами, отримувати невеликі помилки кожен раз - не проблема, але отримувати великі помилки раз у …

13 time-series  forecasting  arima  ensemble  exponential-smoothing 

Я розглядаю дві стратегії для "збільшення даних" для прогнозування часових рядів. По-перше, трішки тла. Провісник прогнозувати наступний крок часових рядів це функція , яка , як правило , залежить від двох речей, часових рядів минулих станів, а й минулих станів предіктора:PPP{Ai}{Ai}\lbrace A_i\rbrace P({Ai≤t−1},PSt−1)P({Ai≤t−1},PSt−1)P(\lbrace A_{i\leq t-1}\rbrace,P_{S_{t-1}}) Якщо ми хочемо налагодити / …

13 time-series  data-augmentation 

Вже більше 2 років я працюю над різними часовими рядами. Я читав у багатьох статтях, що ACF використовується для визначення порядку терміну MA, а PACF для AR. Існує правило, що для MA, відставання, коли ACF раптово відключається, є порядком MA та аналогічно для PACF та AR. Ось одна зі статей, …

13 time-series  arima  autoregressive  moving-average 

Які послідовні проблеми з введенням найкраще підходять для кожної? Чи визначає розмірність входу, яка краще відповідає? Чи проблеми, які потребують "більшої пам'яті", краще підходять для RNN LSTM, тоді як проблеми з циклічними вхідними моделями (фондовий ринок, погода) легше вирішуються HMM? Здається, перекриття багато; Мені цікаво, які тонкі відмінності існують між …

13 time-series  neural-networks  hidden-markov-model  rnn 

Уявіть, у нас є два часові ряди процесів, які є стаціонарними, виробляючи: .xt,ytxt,ytx_t,y_t Чи , також нерухомий? ∀ α , β ∈ Rzt=αxt+βytzt=αxt+βytz_t=\alpha x_t +\beta y_t∀α,β∈R∀α,β∈R\forall \alpha, \beta \in \mathbb{R} Будь-яка допомога буде вдячна. Я б сказав, що так, оскільки він має представництво MA.

12 time-series  stochastic-processes  stationarity 

Чи можна кожен нестаціонарний часовий ряд перетворити на стаціонарний часовий ряд, застосувавши диференціювання? Крім того, як ви вирішите порядок розходження, який слід застосувати? Ви просто розрізняєтесь з інтервалами 1,2 ... n і кожен раз виконуєте тест кореневих одиниць нерухомих, щоб побачити, чи є отриманий ряд нерухомим?

12 time-series  stationarity 

У мене є досить передбачуваний щоденний ряд із щотижневою сезонністю. Я можу придумати прогнози, які здаються досить точними (підтверджені перехресною валідацією), коли немає свят. Однак, коли є свята, у мене є такі питання: У моєму прогнозі я отримую ненульові цифри для свят, хоча всі історичні свята дорівнюють 0. Це, правда, …

12 time-series  forecasting  arima  outliers 

У мене є питання / плутанина щодо стаціонарних серій, необхідних для моделювання з ARIMA (X). Я думаю про це більше з точки зору висновку (ефекту від втручання), але хотів би знати, чи прогнозування проти умовиводу має якусь різницю у відповіді. Питання: Усі прочитані вами вступні ресурси стверджують, що серія повинна …

12 time-series  econometrics  arima  inference 

У мене дуже великий набір даних, і близько 5% випадкових значень відсутні. Ці змінні співвідносяться між собою. Наступний приклад набору даних R - це лише іграшковий приклад з манекено-корельованими даними. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

Якщо у нас довгий часовий ряд із високою роздільною здатністю, з великим рівнем шуму, часто має сенс агрегувати дані до нижчої роздільної здатності (скажімо, щоденних до місячних значень), щоб краще зрозуміти, що відбувається, ефективно видаляючи деякі шум. Я бачив принаймні один документ, який потім застосовує деякі статистичні дані до агрегованих …

12 time-series  aggregation 

У мене є набір даних часових рядів, до яких я намагаюся встановити модель прихованої Маркова (HMM), щоб оцінити кількість прихованих станів у даних. Мій псевдо-код для цього: for( i in 2 : max_number_of_states ){ ... calculate HMM with i states ... optimal_number_of_states = "model with smallest BIC" ... } Тепер, …

12 r  aic  hidden-markov-model  bic  spss  manova  time-series  r  lme4-nlme  regression  modeling  negative-binomial  bayesian  bugs  state-space-models  hypothesis-testing  data-transformation  factor-analysis  sem 

Які відношення та різниця між часовими рядами та регресом? Чи правильно для моделей та припущень регресійні моделі передбачають незалежність між вихідними змінними для різних значень вхідної змінної, тоді як модель часових рядів не робить? Які ще інші відмінності? Для методів - з веб-сайту Дарлінгтона Існує ряд підходів до аналізу часових …

12 regression  time-series  box-jenkins 

Я працюю над алгоритмом, який займає вектор останньої точки даних з ряду потоків датчиків і порівнює евклідову відстань з попередніми векторами. Проблема полягає в тому, що різні потоки даних походять від абсолютно різних датчиків, тому проходження простої евклідової відстані різко перекреслить деякі значення. Ясна річ, мені потрібен певний спосіб нормалізації …

12 time-series  normalization  real-time 

Я намагаюся зрозуміти, як використовувати машинне навчання для прогнозування фінансових часових серій 1 або більше кроків у майбутнє. У мене є фінансові часописи з деякими описовими даними, і я хотів би сформувати модель, а потім використовувати модель для прогнозування n-кроків вперед. Що я робив поки що: getSymbols("GOOG") GOOG$sma <- SMA(Cl(GOOG)) …

12 r  time-series  machine-learning  random-forest  finance 

У мене є набір даних, який з часом збільшується (обмінний курс валюти, щомісячні дані за 20 років), моє запитання: чи можу я знецінити дані, а потім відмінити їх також, щоб зробити їх нерухомими, якщо деградація сама по собі цього не досягає? І якщо так, то чи вважатиметься це вдвічі різницею, …

12 time-series  stationarity