注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. arima python

  2. ARIMA模型（英语：AutoregressiveIntegratedMovingAverage model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），时间序列预测分析方法之一。ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤

  3. 所属分类：算法与数据结构

    • 发布日期：2019-03-23
    • 文件大小：220kb
    • 提供者：qz1992

  1. python：Arima

  2. python的ARIMA预测，初学者安装好anaconda直接运行。

  3. 所属分类：金融

    • 发布日期：2020-06-30
    • 文件大小：5kb
    • 提供者：juzijuzijuzi1

  1. Python时间序列处理之ARIMA模型的使用讲解

  2. ARIMA模型 ARIMA模型的全称是自回归移动平均模型，是用来预测时间序列的一种常用的统计模型，一般记作ARIMA(p,d,q)。 ARIMA的适应情况 ARIMA模型相对来说比较简单易用。在应用ARIMA模型时，要保证以下几点： 时间序列数据是相对稳定的，总体基本不存在一定的上升或者下降趋势，如果不稳定可以通过差分的方式来使其变稳定。 非线性关系处理不好，只能处理线性关系 判断时序数据稳定 基本判断方法：稳定的数据，总体上是没有上升和下降的趋势的，是没有周期性的，方差趋向于一个稳定的

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：66kb
    • 提供者：weixin_38733333

  1. ARIMA-Model:该项目尝试使用简单的ARIMA模型对财务模型进行建模-源码

  2. 目录 基本信息 该项目尝试使用简单的ARIMA模型对财务模型进行建模。 技术领域 使用以下项目创建项目： Python版本：3.8 设置 最佳实践是在虚拟环境中运行程序文件，因为它允许程序以其自己的独立依赖项运行。 要初始化虚拟环境，请使用以下命令： cd path_to_project/ python -m venv .venv 要激活环境： Mac / Linux： source my_env/bin/activate 视窗： .\venv\scr ipts\activate 要验

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：108kb
    • 提供者：weixin_42168555

  1. 时间序列预测：使用Python创建季节性ARIMA模型

  2. 分解数据：时间序列稳定化测试方法：测试序列稳定性：看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPILogarithmic（取对数）FirstDifference（一阶差分）SeasonalDifference（季节差分）SeasonalAdjustment这里会尝试取对数、一阶查分、季节差分三种方法，先进行一阶差分，去除增长趋势后检测稳定性：可以看到图形上看上去变稳定了，但p-value的并没有小于0.05。再来看看12阶查分（即季节

  3. 所属分类：其它

  1. 码头工人-源码

  2. Axibase时间序列数据库 概述 Axibase时间序列数据库（ATSD）是用于存储和分析时间序列数据的专用数据库。 ATSD为应用程序开发人员和数据科学家提供以下工具： 网络API，CSV解析器，存储驱动程序和Axibase Collector来收集时间序列数据。 Rest API和API客户端，用于与Python，Java，Go，Ruby，NodeJS应用程序和R脚本集成。 对时序和临时报告的时间序列扩展提供SQL支持。 内置声明式可视化库，带有15个时间序列小部件。 支持基于

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：149kb
    • 提供者：weixin_42135773

  1. 系列临时文档：Python临时模型的预览版。 临时模型，标准模型和标准版本的参考书目。 Falarei um pouco sobre cada uma delas，gerarei avalidaçãoe asprevisõese，por f

  2. SériesTemporais Nesserepositóriovocêencontraráprojetos com ossériestemporais的基本模型 Modelosdeterminísticos ：简单的Algoritmos desuavização， Holt ， Holt-Winters e Pegels ； Modelagem Univariada ：Modelagem Box-Jenkins ou modelo ARIMA （Autorregressivo integr

  3. 所属分类：其它

  1. 分析-预测-季节-非季节-Python：非季节（电耗）和季节（温度）变量的预测-源码

  2. 分析-预测-季节-非季节-Python 概述 •使用python清理和分析数据集 •使用ARIMA和指数平滑分别拟合和预测非季节和季节变量 数据集 ID，日期时间，温度，var1，压力，风速，var2，电费 预测视频（点击图片）

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：771kb
    • 提供者：weixin_42101384

  1. salesPredict：基于ARIMA时间序列的销量预测模型，实际预测准确率达90％以上，内部包含测试记录和实际线效果-源码

  2. salesPredict ARIMA模型简介 ARIMA模型提供了基于时间序列理论，对数据进行稳定化处理（AR和MA过程），模型定阶（自动差分过程），参数估计，建立模型，可以进行模型进行检验。在Python中statsmodel提供了完整的的解决方案，包括窗口选择，自动定阶和稳定性检测等等算法。 预测策略 这样的好处是，月上旬和中旬的实际销量可以作为先验知识，提高模型预测的准确率。 环境 Windows 10 Python 3.6.5 依赖包 pip install -r requiremen

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：254kb
    • 提供者：weixin_42131628

  1. pmdarima：一个统计库，旨在填补Python时间序列分析功能中的空白，包括R的auto.arima函数的等效项-源码

  2. pmdarima Pmdarima（最初为pyramid-arima ，表示“ py” +“ arima”）是一个统计库，旨在填补Python时间序列分析功能中的空白。 这包括： 相当于R的功能 平稳性和季节性统计检验的集合 时间序列实用程序，例如微分和逆微分 大量内生和外生的变形器和特征器，包括Box-Cox和Fourier转换 季节性时间序列分解 交叉验证实用程序 丰富的内置时间序列数据集，用于原型制作和示例 Scikit学习式管道可整合您的估算器并促进生产 Pmdarima在内部隐藏了

  3. 所属分类：其它

  1. darts：一个易于操作和预测时间序列的python库-源码

  2. 使用Python简化时间序列 darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 可以使用fit()和predict()函数以相同方式使用所有模型，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 Dart支持单变量和多变量时间序列和模型，神经网络可以训练多个时间序列。 文献资料 高级介绍 安装 我们建议先安装一个干净的Python环境为您的项目至少有Python3.6使用自己喜欢的工

  3. 所属分类：其它

  1. 时间序列预测：使用Python创建季节性ARIMA模型

  2. 分解数据： 时间序列稳定化 测试方法： 测试序列稳定性： 看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPI Logarithmic（取对数）

  3. 所属分类：其它

  1. ARIMA模型 – [SPSS & Python]

  2. 简介： 　　ARIMA模型：（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。 　　 　　由于毕业论文要涉及到时间序列的数据（商品的销量）进行建模与分析，主要是对时间序列的数据进行预测，在对数据进行简单的散点图观察时，发现数据

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：76kb
    • 提供者：weixin_38622983

  1. Copper-Forecasting-源码

  2. 铜预测 铜的价格和库存预测。 对于第1部分，数据范围为1999年至2021年，并从智利铜业委员会的网站中手动提取。 数据集可以在找到。 技能：数据提取，数据清理，数据可视化，Python（熊猫，Matplotlib），Facebook先知，ARIMA模型，时间序列。 我还分析了冶金行业的工作情况

  3. 所属分类：其它

    • 发布日期：2021-03-30
    • 文件大小：662kb
    • 提供者：weixin_42139357