Algoritma yang biasa digunakan dalam analisis masa semuanya ada di sini
Analisis siri masa adalah menggunakan ciri-ciri peristiwa dalam tempoh masa lalu untuk meramalkan ciri-ciri peristiwa pada tempoh masa hadapan. Ini adalah masalah pemodelan ramalan yang agak kompleks yang berbeza daripada ramalan model analisis regresi. Model siri masa bergantung pada susunan peristiwa yang berlaku Nilai-nilai yang sama saiz akan menghasilkan keputusan yang berbeza apabila urutan itu diubah masalah siri masa semuanya dianggap sebagai masalah regresi, tetapi kaedah regresi (regresi linear, model pokok , pembelajaran mendalam, dsb.) terdapat perbezaan tertentu.
Analisis pemasaan termasuk analisis pemasaan statik (STA) dan analisis pemasaan dinamik.
Berikut ialah beberapa algoritma analisis pemasaan biasa
1 Analisis pemasaan pembelajaran mendalam
RNN (Rangkaian Neural Berulang)Rangkaian saraf berulang merujuk kepada struktur yang berlaku berulang kali dari semasa ke semasa. Ia mempunyai rangkaian aplikasi yang sangat luas dalam pemprosesan bahasa semula jadi (NLP), imej pertuturan dan bidang lain. Perbezaan terbesar antara rangkaian RNN dan rangkaian lain ialah RNN boleh mencapai "fungsi memori" tertentu dan merupakan pilihan terbaik untuk analisis siri masa. Sama seperti manusia boleh lebih memahami dunia berdasarkan ingatan masa lalu mereka. RNN juga melaksanakan mekanisme yang serupa dengan otak manusia, mengekalkan jumlah memori tertentu untuk maklumat yang diproses, tidak seperti jenis rangkaian saraf lain yang tidak dapat mengekalkan memori untuk maklumat yang diproses.
Kelebihan:Kaedah ini boleh menghafal masa dan sesuai untuk menyelesaikan masalah dengan selang masa yang singkat dalam siri masa
Keburukan:Data langkah panjang terdedah kepada masalah letupan kecerunan LS🜜TM. (Rangkaian Ingatan Jangka Pendek Panjang)
LSTM (Memori Jangka Pendek Panjang) ialah rangkaian neural berulang temporal yang direka untuk menyelesaikan masalah pergantungan jangka panjang yang wujud dalam rangkaian saraf berulang konvensional (RNN) . Semua RNN terdiri daripada satu siri modul rangkaian saraf berulang
Kekuatan:
Sesuai untuk memproses dan meramal peristiwa penting dengan selang masa yang sangat lama dan kelewatan dalam siri masa.
Kelemahan:
Terlalu banyak parameter model akan membawa kepada masalah overfitting
2 Model analisis siri masa tradisional
Auto Regresi (AR)🜎🜎 Purata
Purata Pergerakan Autoregresif (ARMA)
- Purata Pergerakan Bersepadu Autoregresif (ARIMA)
- Purata Pergerakan Bersepadu Autoregresif Bermusim (Purata Pergerakan Bersepadu Autoregresif Bermusim, SARIMA) ving-Average dengan Exogenous Regressors ( SARIMAX)
- Model autoregresif AR
- Model Autoregresif (pendek kata model AR) ialah kaedah analisis siri masa yang digunakan untuk menerangkan hubungan antara pembolehubah siri masa dan nilai masa lalunya. Model AR menganggap hubungan linear antara pemerhatian semasa dan pemerhatian lepas, dan menggunakan pemerhatian lepas untuk meramalkan pemerhatian masa hadapan.
- Kekuatan:
- Kesederhanaan: Model AR ialah model linear yang mudah difahami dan dilaksanakan. Ia hanya menggunakan pemerhatian lepas sebagai pembolehubah bebas, tanpa faktor kompleks lain untuk dipertimbangkan.
Kelemahan:
- Hanya terpakai untuk siri pegun: Model AR memerlukan siri masa adalah pegun, iaitu min, varians dan autokorelasi tidak berubah mengikut masa. Jika siri ini tidak pegun, anda mungkin perlu melakukan operasi pembezaan atau menggunakan model lain untuk mengendalikan tidak pegun.
- Sensitif kepada pemerhatian lepas: Keputusan ramalan model AR dipengaruhi oleh pemerhatian lepas, jadi masalah pengumpulan ralat mungkin berlaku apabila berurusan dengan ramalan jangka panjang. Susunan yang lebih besar mungkin membawa kepada pemadanan model, manakala susunan yang lebih kecil mungkin tidak menangkap dinamik kompleks siri masa.
- Tidak boleh mengendalikan data bermusim: Model AR tidak boleh mengendalikan siri masa secara langsung dengan bermusim yang jelas. Untuk data dengan corak bermusim, model AR bermusim (SAR) atau model ARIMA boleh digunakan untuk pemodelan.
Kaedah Purata Bergerak (MA)
Kaedah Purata Bergerak (MA): Kaedah ini berdasarkan purata data dan menganggap kestabilan tertentu antara nilai masa hadapan dan nilai masa lalu
Kekuatan :
Menangkap perhubungan purata bergerak dalam data siri masa. Model MA menggunakan gabungan linear istilah ralat hingar putih dari langkah masa lalu untuk meramalkan pemerhatian semasa dan oleh itu menangkap sifat purata bergerak dalam data.
Agak mudah dan intuitif. Parameter model MA mewakili berat terma ralat hingar putih pada langkah masa lalu, dan model boleh dipasang dengan menganggarkan pemberat ini.
Kelemahan:
- hanya boleh menangkap perhubungan purata bergerak dan tidak boleh menangkap perhubungan autoregresif. Model MA mengabaikan pemerhatian langkah masa lalu dan mungkin tidak menangkap autokorelasi dalam data.
- Untuk beberapa data siri masa, model MA mungkin memerlukan susunan yang lebih tinggi untuk memuatkan data dengan baik, menyebabkan kerumitan model meningkat.
Model Purata Pergerakan Autoregresif
Model Purata Pergerakan Autoregresif (model ARMA, Auto-Regression dan Moving AverageModel) ialah kaedah penting untuk mengkaji siri masa Ia terdiri daripada model autoregresif (model AR) dan model purata bergerak ). model) sebagai asas, ia mempunyai ciri-ciri julat aplikasi yang luas dan ralat ramalan kecil.
Autoregressive Integrated Moving Average (ARIMA)
Model ARIMA ialah singkatan model Autoregressive Differential Moving Average, nama penuhnya ialah Autoregressive Integrated Moving Average Model. Model ini terutamanya terdiri daripada tiga bahagian, iaitu model autoregresif (AR), proses perbezaan (I) dan model purata bergerak (MA) Idea asas model ARIMA adalah menggunakan maklumat sejarah data itu sendiri untuk meramal masa depan. Nilai teg pada satu masa dipengaruhi oleh kedua-dua nilai teg dalam tempoh yang lalu dan peristiwa yang tidak disengajakan dalam tempoh yang lalu Dalam erti kata lain, model ARIMA mengandaikan bahawa nilai teg berubah-ubah mengikut arah aliran masa arah aliran dipengaruhi oleh label sejarah, turun naik dipengaruhi oleh peristiwa tidak sengaja dalam tempoh masa, dan arah aliran umum itu sendiri tidak semestinya stabil
Model ARIMA ialah kaedah analisis siri masa yang menganalisis data mengikut Model autokorelasi dan perbezaan kepada ekstrak corak siri masa yang tersembunyi dalam data, dan kemudian ramalkan data masa hadapan
Bahagian AR digunakan untuk memproses bahagian autoregresif siri masa, yang mengambil kira pemerhatian beberapa tempoh lalu Kesan nilai pada nilai semasa.
- Bahagian I digunakan untuk membuat pegun siri masa tidak pegun Melalui pemprosesan perbezaan tertib pertama atau kedua, trend dan faktor bermusim dalam siri masa dihapuskan.
- Bahagian MA digunakan untuk memproses bahagian purata bergerak siri masa, yang mengambil kira kesan ralat ramalan masa lalu ke atas nilai semasa.
- Menggabungkan ketiga-tiga bahagian ini, model ARIMA bukan sahaja dapat menangkap perubahan trend data, tetapi juga mengendalikan data dengan perubahan sementara, mendadak atau bunyi yang besar. Oleh itu, model ARIMA berprestasi baik dalam banyak masalah ramalan siri masa.
Kekuatan:
Pembinaan model adalah sangat mudah, hanya menggunakan pembolehubah endogen tanpa menggunakan pembolehubah eksogen yang lain. Apa yang dipanggil pembolehubah endogen merujuk kepada pembolehubah yang hanya bergantung pada data itu sendiri, tidak seperti model regresi yang memerlukan sokongan pembolehubah lainKelemahan:
Data siri masa diperlukan untuk menjadi stabil, atau menjadi stabil selepas pemprosesan pembezaanPada asasnya, ia hanya boleh menangkap hubungan linear, tetapi bukan hubungan bukan linear.
Model Purata Pergerakan Bersepadu Autoregresif Bermusim SARIMA
SARIMA ialah kaedah analisis siri masa yang biasa digunakan, yang merupakan lanjutan daripada model ARIMA pada data bermusim. Model SARIMA boleh digunakan untuk meramalkan data siri masa bermusim, seperti jualan tahunan atau lawatan tapak web mingguan. Berikut adalah kelebihan dan kekurangan model SARIMA:
Kekuatan:
- Model SARIMA boleh mengendalikan data bermusim dengan baik kerana ia mengambil kira faktor bermusim dalam data siri masa.
- Model SARIMA boleh membuat ramalan jangka panjang pada data siri masa kerana ia boleh menangkap arah aliran dan perubahan kitaran dalam data.
- Model SARIMA boleh digunakan untuk data siri masa berbilang pembolehubah kerana ia boleh mempertimbangkan hubungan antara berbilang pembolehubah pada masa yang sama.
Kelemahan:
- Model SARIMA memerlukan sejumlah besar data sejarah untuk dilatih, jadi mungkin tidak sesuai apabila jumlah data adalah kecil.
- Model SARIMA sensitif kepada outlier, jadi outlier perlu diproses.
- Model SARIMA mempunyai kerumitan pengiraan yang tinggi dan memerlukan banyak pengiraan dan pengoptimuman.
Model purata bergerak bersepadu autoregresif bermusim SARIMAX dengan regressor eksogen
Model purata bergerak bersepadu autoregresif bermusim (SARIMAX) adalah berdasarkan model autoregresif bergerak pembezaan (ARIMA) serta model Regressor eksogen. Ia sesuai untuk data siri masa dengan ciri-ciri berkala dan bermusim yang jelas
3 Model siri masa yang lain
Kaedah jenis ini diwakili oleh lightgbm dan xgboost Secara amnya, masalah siri masa ditukar kepada pembelajaran diselia, dan melalui ciri kejuruteraan dan kaedah Pembelajaran mesin untuk meramalkan model ini boleh menyelesaikan model ramalan siri masa yang paling kompleks. Menyokong pemodelan data yang kompleks, regresi kolaboratif berbilang pembolehubah dan masalah tak linear.
Kepentingan kejuruteraan ciri adalah jelas dan ia memainkan peranan penting dalam kejayaan pembelajaran mesin. Walau bagaimanapun, kejuruteraan ciri bukanlah tugas yang mudah dan memerlukan pemprosesan manual yang kompleks dan kepakaran unik. Tahap kejuruteraan ciri selalunya menentukan had atas pembelajaran mesin, dan algoritma pembelajaran mesin adalah sehampir mungkin dengan had atas ini. Setelah kejuruteraan ciri selesai, kami boleh terus menggunakan algoritma model pokok - lightgbm dan xgboost. Kedua-dua model ini adalah kaedah pemodelan yang sangat biasa dan cekap. Di samping itu, mereka juga mempunyai ciri-ciri berikut:
- pengiraan pantas dan ketepatan model yang tinggi
- nilai yang hilang tidak perlu diproses, yang mana lebih mudah
- pembolehubah;
- sokong Persilangan ciri.
Kaedah khusus untuk dipilih perlu dipertimbangkan secara menyeluruh berdasarkan sifat data, ciri-ciri masalah, dan pengalaman dan kebolehan anda sendiri.
Anda perlu memilih kaedah ramalan siri masa yang sesuai berdasarkan ciri data tertentu, keperluan masalah dan keupayaan anda sendiri. Kadangkala, menggabungkan pelbagai kaedah boleh meningkatkan ketepatan dan kestabilan ramalan. Pada masa yang sama, untuk memilih model dengan lebih baik dan menilai keputusan ramalan, adalah penting juga untuk melakukan analisis visual data dan diagnosis model.
Atas ialah kandungan terperinci Algoritma yang biasa digunakan dalam analisis masa semuanya ada di sini. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

BERT ialah model bahasa pembelajaran mendalam pra-latihan yang dicadangkan oleh Google pada 2018. Nama penuh ialah BidirectionalEncoderRepresentationsfromTransformers, yang berdasarkan seni bina Transformer dan mempunyai ciri pengekodan dwiarah. Berbanding dengan model pengekodan sehala tradisional, BERT boleh mempertimbangkan maklumat kontekstual pada masa yang sama semasa memproses teks, jadi ia berfungsi dengan baik dalam tugas pemprosesan bahasa semula jadi. Dwiarahnya membolehkan BERT memahami dengan lebih baik hubungan semantik dalam ayat, dengan itu meningkatkan keupayaan ekspresif model. Melalui kaedah pra-latihan dan penalaan halus, BERT boleh digunakan untuk pelbagai tugas pemprosesan bahasa semula jadi, seperti analisis sentimen, penamaan.

Fungsi pengaktifan memainkan peranan penting dalam pembelajaran mendalam Ia boleh memperkenalkan ciri tak linear ke dalam rangkaian saraf, membolehkan rangkaian belajar dengan lebih baik dan mensimulasikan hubungan input-output yang kompleks. Pemilihan dan penggunaan fungsi pengaktifan yang betul mempunyai kesan penting terhadap prestasi dan hasil latihan rangkaian saraf Artikel ini akan memperkenalkan empat fungsi pengaktifan yang biasa digunakan: Sigmoid, Tanh, ReLU dan Softmax, bermula dari pengenalan, senario penggunaan, kelebihan, kelemahan dan penyelesaian pengoptimuman Dimensi dibincangkan untuk memberi anda pemahaman yang menyeluruh tentang fungsi pengaktifan. 1. Fungsi Sigmoid Pengenalan kepada formula fungsi SIgmoid: Fungsi Sigmoid ialah fungsi tak linear yang biasa digunakan yang boleh memetakan sebarang nombor nyata antara 0 dan 1. Ia biasanya digunakan untuk menyatukan

Ditulis sebelum ini, hari ini kita membincangkan bagaimana teknologi pembelajaran mendalam boleh meningkatkan prestasi SLAM berasaskan penglihatan (penyetempatan dan pemetaan serentak) dalam persekitaran yang kompleks. Dengan menggabungkan kaedah pengekstrakan ciri dalam dan pemadanan kedalaman, di sini kami memperkenalkan sistem SLAM visual hibrid serba boleh yang direka untuk meningkatkan penyesuaian dalam senario yang mencabar seperti keadaan cahaya malap, pencahayaan dinamik, kawasan bertekstur lemah dan seks yang teruk. Sistem kami menyokong berbilang mod, termasuk konfigurasi monokular, stereo, monokular-inersia dan stereo-inersia lanjutan. Selain itu, ia juga menganalisis cara menggabungkan SLAM visual dengan kaedah pembelajaran mendalam untuk memberi inspirasi kepada penyelidikan lain. Melalui percubaan yang meluas pada set data awam dan data sampel sendiri, kami menunjukkan keunggulan SL-SLAM dari segi ketepatan kedudukan dan keteguhan penjejakan.

Pembenaman Ruang Terpendam (LatentSpaceEmbedding) ialah proses memetakan data berdimensi tinggi kepada ruang berdimensi rendah. Dalam bidang pembelajaran mesin dan pembelajaran mendalam, pembenaman ruang terpendam biasanya merupakan model rangkaian saraf yang memetakan data input berdimensi tinggi ke dalam set perwakilan vektor berdimensi rendah ini sering dipanggil "vektor terpendam" atau "terpendam pengekodan". Tujuan pembenaman ruang terpendam adalah untuk menangkap ciri penting dalam data dan mewakilinya ke dalam bentuk yang lebih ringkas dan mudah difahami. Melalui pembenaman ruang terpendam, kami boleh melakukan operasi seperti memvisualisasikan, mengelaskan dan mengelompokkan data dalam ruang dimensi rendah untuk memahami dan menggunakan data dengan lebih baik. Pembenaman ruang terpendam mempunyai aplikasi yang luas dalam banyak bidang, seperti penjanaan imej, pengekstrakan ciri, pengurangan dimensi, dsb. Pembenaman ruang terpendam adalah yang utama

Dalam gelombang perubahan teknologi yang pesat hari ini, Kecerdasan Buatan (AI), Pembelajaran Mesin (ML) dan Pembelajaran Dalam (DL) adalah seperti bintang terang, menerajui gelombang baharu teknologi maklumat. Ketiga-tiga perkataan ini sering muncul dalam pelbagai perbincangan dan aplikasi praktikal yang canggih, tetapi bagi kebanyakan peneroka yang baru dalam bidang ini, makna khusus dan hubungan dalaman mereka mungkin masih diselubungi misteri. Jadi mari kita lihat gambar ini dahulu. Dapat dilihat bahawa terdapat korelasi rapat dan hubungan progresif antara pembelajaran mendalam, pembelajaran mesin dan kecerdasan buatan. Pembelajaran mendalam ialah bidang khusus pembelajaran mesin dan pembelajaran mesin

Hampir 20 tahun telah berlalu sejak konsep pembelajaran mendalam dicadangkan pada tahun 2006. Pembelajaran mendalam, sebagai revolusi dalam bidang kecerdasan buatan, telah melahirkan banyak algoritma yang berpengaruh. Jadi, pada pendapat anda, apakah 10 algoritma teratas untuk pembelajaran mendalam? Berikut adalah algoritma teratas untuk pembelajaran mendalam pada pendapat saya Mereka semua menduduki kedudukan penting dari segi inovasi, nilai aplikasi dan pengaruh. 1. Latar belakang rangkaian saraf dalam (DNN): Rangkaian saraf dalam (DNN), juga dipanggil perceptron berbilang lapisan, adalah algoritma pembelajaran mendalam yang paling biasa Apabila ia mula-mula dicipta, ia dipersoalkan kerana kesesakan kuasa pengkomputeran tahun, kuasa pengkomputeran, Kejayaan datang dengan letupan data. DNN ialah model rangkaian saraf yang mengandungi berbilang lapisan tersembunyi. Dalam model ini, setiap lapisan menghantar input ke lapisan seterusnya dan

Rangkaian Neural Konvolusi (CNN) dan Transformer ialah dua model pembelajaran mendalam berbeza yang telah menunjukkan prestasi cemerlang pada tugasan yang berbeza. CNN digunakan terutamanya untuk tugas penglihatan komputer seperti klasifikasi imej, pengesanan sasaran dan pembahagian imej. Ia mengekstrak ciri tempatan pada imej melalui operasi lilitan, dan melakukan pengurangan dimensi ciri dan invarian ruang melalui operasi pengumpulan. Sebaliknya, Transformer digunakan terutamanya untuk tugas pemprosesan bahasa semula jadi (NLP) seperti terjemahan mesin, klasifikasi teks dan pengecaman pertuturan. Ia menggunakan mekanisme perhatian kendiri untuk memodelkan kebergantungan dalam jujukan, mengelakkan pengiraan berjujukan dalam rangkaian saraf berulang tradisional. Walaupun kedua-dua model ini digunakan untuk tugasan yang berbeza, ia mempunyai persamaan dalam pemodelan jujukan, jadi

RMSprop ialah pengoptimum yang digunakan secara meluas untuk mengemas kini berat rangkaian saraf. Ia telah dicadangkan oleh Geoffrey Hinton et al pada tahun 2012 dan merupakan pendahulu pengoptimum Adam. Kemunculan pengoptimum RMSprop adalah terutamanya untuk menyelesaikan beberapa masalah yang dihadapi dalam algoritma penurunan kecerunan SGD, seperti kehilangan kecerunan dan letupan kecerunan. Dengan menggunakan pengoptimum RMSprop, kadar pembelajaran boleh dilaraskan dengan berkesan dan pemberat dikemas kini secara adaptif, dengan itu meningkatkan kesan latihan model pembelajaran mendalam. Idea teras pengoptimum RMSprop adalah untuk melaksanakan purata wajaran kecerunan supaya kecerunan pada langkah masa yang berbeza mempunyai kesan yang berbeza pada kemas kini berat. Secara khusus, RMSprop mengira kuasa dua setiap parameter
