精华内容
下载资源
问答
  • 地震真的不可预测吗?

    千次阅读 2013-04-20 16:35:00
    地震真的不可预测吗?同样是权威人士,对于事物的可预测性和规律,是截然不同的看法。基本上分两派,我是两种人和观点都接触过,也都一定程度上认同。但我认为地震是可以预测的。但是预测地震的成本比较高,可能政府...
    地震真的不可预测吗?
    


    同样是权威人士,对于事物的可预测性和规律,是截然不同的看法。基本上分两派,我是两种人和观点都接触过,也都一定程度上认同。


    但我认为地震是可以预测的。


    但是预测地震的成本比较高,可能政府不愿意去预测。


    我知道,对于生命来说是无价的和宝贵的,这样用成本来说事,太残酷了。


    打个比喻:


    人在树林里或其他什么地方散步时,一般会走路上,很少有人去走荒芜的、无路的土地。


    对于人的每一个脚步,踩在地上,就是这个地上的地震,会在这个地方产生脚印,或是理解为地震。(这里只是一种比喻,特别是对于地球,这个巨人来讲)


    那我们说,这个人下一步去踩在哪里?会是这片树木的任何一寸土地吗?


    显然不是!!!


    我们可以从他行进的方向及以往的已走过的路线来判断下一步,会踩在哪里(特别是将已形成的路考虑进来)。


    回到现实中:


    地震一般发生在断裂带。这个相当于树木里的路。


    人一般会在路上走,地震一般发生在断裂带。


    判断人的下一步踩在路的哪一寸,和判断地震下一次发生在断裂带的哪一处。


    可以通过足够的检测器、传感器,检测断裂带上的压力分布和趋势,特别是在已有的规律上找寻。并判断可能的位置,哪一处更容易破碎,释放压力。


    ......







    展开全文
  • 预测性编码(Predictive Coding)简介

    千次阅读 2019-02-27 10:59:10
    预测性编码(Predictive Coding)简介 Yanping Huang and Rajesh P. N. Rao 摘要 预测性编码(Predictive Coding)是在神经系统中对认知冗余进行缩减(understanding redundancy reduction)并且进行高效编码的统一...

    预测性编码(Predictive Coding)简介

    Yanping Huang and Rajesh P. N. Rao

    摘要

    预测性编码(Predictive Coding)是在神经系统中对认知冗余进行缩减(understanding redundancy reduction)并且进行高效编码的统一框架。通过仅仅传入感觉信号中没有被预测到的部分,预测性编码能够让神经系统减少信息冗余,并且可以充分利用神经元的在追踪信息动态方面的限制(the limitied dynamic range)。在神经系统中将这种高效编码的假说作为设计原则(design principle)后,预测性编码能在很大程度上有效解释神经反应与大脑组织方面的问题。视网膜视觉感受野以及外侧膝状体自然形成为了对外界图像进行预测性编码的一个序列。在更高级的视觉系统中,预测性编码可以解释定位感受野、背景信息效应乃至皮层各层次之间的联结与组织。预测性编码能够稳定地在不同的脑区的神经生理学数据和心理学数据中检测到。

    导言

    自然界的信号中充满了大量的冗余。这种冗余会随着这些信号在时间和空间上的相似性而提高。例如,在图片中临近像素的强度通常都会有比较高的相关度,因为形状总会限制在一定的空间区域;类似的, 每个像素的强度在时间层面上也是相关的,因为物体在时间上也是连续存在的。让一组知觉感受器受到原始图像的直接反应而激活是非常低效的。长期以来,人们通常根据信息论认为早期感觉加工的作用是减少冗余,并且将输入的信息进行重编码为更为高效的形式。其中一种能够实现这个目标的方式就是预测性编码(Predictive Coding)。预测性编码假设神经网络会学习自然世界中事件内在的统计规律,并且通过移除输入信息中可以预测的部分从而减少冗余,仅仅传递不可预测的部分(预测中的残差 residual errors)。

    预测性编码提供了对围绕中心的反应以及对视网膜和外侧膝状体神经元的二相时间拮抗(biphasic temporal antagonism)的有效解释。根据预测性编码模型,视网膜以及外侧膝状体的神经环路会积极根据最近的输入信息的线性权重和预测刺激强度的值。在这些环路中的细胞传递的并不是这些图像本身的强度,而是预测值与真实刺激之间的差异。这种去相关,通过将输入信号在时间和空间光谱上进行扁平化(flattening),可以减少输出的冗余。最终的结果便是不同的信号之间只有较小的变化范围,并且使得通过信息变化范围受限的视觉通路,进行信息的经济性提高。

    在主要视觉皮层(V1)上的神经元会对特定朝向的棒状物或边缘产生反应偏好,从而使在V2与V4区的神经元会对更为复杂的形状与轮廓产生反应。内侧颞叶的神经元则会对视觉运动产生反应。这些对行为的选择性反应能够通过自然信息输入的多层次预测性编码进行解释。例如,运动实际上就是视觉系统在多个皮质层次上的相互整合。Rao 和 Ballard 提出了一个多层次神经网络模型,该模型中从高级的视觉皮质区到低级的神经活动的预测性信息之间建立自上而下的联结,同时自下而上的联结则传递预测中的残差信息。在使用自然场景中的一些图片碎片训练了一个神经网络模型后,他们发现该模型的神经元产生了属性上类似V1的视觉感受野,包括能感受到方向、启动与停止以及其他类似的效应。Jehee 等提出预测性编码模型符合 MST 神经元在运动中对光流(optic flow)的选择性作用,而这种作用则能够被脑解释为在空间中的运动。

    在这篇总数中,我们严谨地通过高效编码框架(efficient coding framework)介绍预测性编码,并且通过该编码在空间与时间中应用的例子来阐明这个概念。我们随后回顾了预测性编码为什么可以用来理解神经系统在很多领域中的神经反应。我们最终将会对其他支持大脑在进行预测性编码的实验,进行一个简单的总结与讨论。

    预测性编码的一般性框架

    预测性编码的潜在假设是视觉系统会尝试建立一个对外部环境的内在模型,并使用该模型积极预测输入的信号。因此可以将这个过程使用一个生成模型写为 P(I|r) ,即图像 I 的概率以及一系列隐藏的内在参数 r(反映神经网络中神经元的激活比率)。当输入一个图像 I ,神经系统就会假定去选择参数 r ,使得先验概率在贝叶斯理论下最大化 P(r|I) = P(I|r)P®/P(I) ,其中 P(I) 是恒定不变的。从信息论的观点来看,使得 H 变成描述全部信息的长度,例如编码长度的总和 H_{1} = -logP(I|r) ,或者长度H_{2} = -logP® 的r参数本身。最小化总描述长度 H = -logP(I|r) - logP® 等价于预测编码假设下最大化参数的后验概率。因此,最小化描述长度(minimum description length,MDL)框架可以视为是等价于贝叶斯最大化后验概率拟合(Bayesian maximum a posteriori,MAP)方法。

    (接下来需要把生成模型和MDL、MAP研究一下)

    文章来源:Huang, Y., & Rao, R. P. N. (2011). Predictive coding. Wiley Interdisciplinary Reviews: Cognitive Science, 2(5), 580–593. http://doi.org/10.1002/wcs.142

    展开全文
  • 预测性分析及常用预测方法

    千次阅读 2020-11-06 14:43:18
    预测性分析及常用的预测方法 预测的目的 数据分析最重要的目的就是从数据中寻找规律,找到能够指导我们未来实践的原则和方法,是产生智慧的主要途径。所以预测分析是数据分析的终极目的。虽然数据分析承担了很多功能...

    预测性分析及常用的预测方法

    预测的目的

    数据分析最重要的目的就是从数据中寻找规律,找到能够指导我们未来实践的原则和方法,是产生智慧的主要途径。所以预测分析是数据分析的终极目的。虽然数据分析承担了很多功能,但是预测才是最为关键的,所以掌握数据分析和挖掘的预测方法才是数据分析师的看家本领。

    预测包括现象的预测和规律的预测。自然科学的本质上也是对事物的属性、本质和规律的预测。有了对事物的认知和对规律的掌握,我们就能够创造出更多的东西。商业也是如此,我们能够知道影响销售的因素,并能够掌握这些因素的数据,就能够对市场做出精准的预测,从而指导我们商业的决策,做到稳定的发展。但事物具有复杂性,我们无法掌握所有的信息,更无法轻易掌握所有的规律。

    随着大数据、物联网等技术的快速发展和应用,我们会拥有越来越多的数据,在这些数据上通过各种分析技术,我们就能够加工出越来越多的“智慧”,从而就能够知道我们的实践,而我们对未来的预测越来越精准,越来越有效。

    人们总是把数据分析师想象的过于美好,认为做大数据的人能够上知天文,下晓地理,能够准确的预测未来。人类掌握了一些基本的事物发展规律,对人类大脑、情感、心里的认知也逐步深入,但是我们对这些学科的掌握程度还远远达不到准确的预测未来的程度,至少现在还是没有这个能力,未来可能会有。

    我们经常说“以史为鉴”其实就是研究事物发展的历史,为我们研究新的事物做出指导,让我们对未来的事物有更远一点的估计。

    预测的必要性

    事物是复杂的,我们对事物的认知是有限的,正因为如此,事物在发展的过程中会发生超越我们预期的偶然时间和随机时间,我们把这些叫做误差,误差是必然存在的。随着我们对事物的认知越清楚,掌握的信息数据越完善,这个误差就睡越小,偶然时间就会越少。预测不准确的正常的,我们不能因为预测不准确而放弃对事物的预测,掌握未来发展是人类的本能,也是人类进化的动力。

    我们现在出行是,我们会根据地图应用提供的交通流量信息,选择不堵车最近的线路,这是一个典型的应用场景,把大数据当做平台和基础设施的应用场景。未来会有越来越多的这种应用场景,这就是预测在我们的日常生活中,影响着我们的日常生活。

    预测方法;

    1.经验预测法

    经验预测法是最为传统的预测法。如果我们有了丰富的生活阅历和工作经验,那么我们对事物的判断就会更加准确,从而能够做出更加合理的决策。

    我们认为一个优秀的人才一般都在优秀的公司中,所以企业会更加看中应聘者是不是在优秀的公司中工作过,这些都是为了佐证应聘者拥有丰富的相关“经验”。所以优秀的公司,在人才招聘方面的成本越低。而越是一般的公司,用人成本越高——因为我们过度依赖经验来管理。

    经验预测法在生活、工作中有大量的应用实例。人们最容易用自己过去的经验做出判断,所以人们几乎每时每刻都在做经验预测。量化的经验预测是一种数据化的方法。单纯依靠少数人的预测往往风险很高,因为我们每个人的生活经历都是有限的,并且看问题的视角也是有限的,所以对于重大决策,在没有其他更好的方法可以预测是,需要让更多的人一起利用经验来预测,这个方法被称为德尔菲法。

    德尔菲法是通过召集专家开会、通过集体讨论、得出一致预测意见的专家会议法既有联系又有区别。是一种专家预测方法。

    德尔菲法能发挥专家会议法的优点,即能充分发挥各位专家的作用,集思广益,准确性高。能把各位专家意见的分歧点表达出来,取各家之长,避各家之短。同时,德尔菲法又能避免专家会议法的缺点:权威人士的意见影响他人的意见;有些专家碍于情面,不愿意发表与其他人不同的意见;出于自尊心而不愿意修改自己原来不全面的意见。

    德尔菲法的主要缺点是:缺少思想沟通交流,可能存在一定的主观片面性;易忽视少数人的意见,可能导致预测的结果偏离实际;存在组织者主观影响

    2.类比预测法

    事物有很多的相似性,事物发展的规律也有相似性。例如人的成长历程,环境相同,人的成长历程也会有相近之处。当我们“阅人无数”后,基本上能够判断这个人是一个什么样的人。另外,人的行为习惯和思维习惯都有一致性,虽然会发生剧烈的变化,但在大多数情况下都是可以预测的。我们可以根据一个人对一件事情的反应,找到这个人的行为模式,从而预测其未来的行为模式,这就是类比预测法。

    人的行为模式的背后是人的心智模式。无论是九型人格学说还是MBTI的人格测试,其背后都是通过评测人的心智模式来预测人的行为模式,从而为人们找到一个比较好的事业发展规划。通过研究大量人员的行为模式,为个人以后的发展做出知道,这种方式的本质就是类比。

    通过一个行业的发展来类比另一个行业的发展,能够给我们很多的启发。例如智能手机取代了功能手机,苹果打败了诺基亚和摩托罗拉,成为智能手机的领导者。根据智能手机行业的发展规律,我们可以预测未来智能汽车的发展规律,特斯拉的创新性的智能汽车,不止单纯的电动汽车,如果不出意外,特斯拉很可能会彻底颠覆驱车行业,那些原有的行业大佬在未来短短的几年就会重新洗牌。

    就像智能手机一样,我们有理由相信智能汽车早晚会代替现在的功能性汽车。智能设备,智能家具,智能…都是不可逆的一种潮流,代表人类发展的趋势和规律。

    手机行业中,消费者的更换周期为2-3年,所以智能手机在2-3年就颠覆了手机行业原有的潮流。在城市中,消费这更换汽车的周期为5-7年,运用类比的方法,未来的5-7年就是智能手机慢慢取代原有汽车行业。取代是一个缓慢且顺应时代的产物,取代的周期就是消费者的一个更换周期。

    标杆研究也是一种类比的方法,可以通过研究标杆企业的做法借鉴其经营和管理的决策。如果一家公司采用某种管理模式成功解决了一类问题,那么我们也可以采用同样的方法来解决类似的问题。所以当我们对于某些管理问题找不到方法的时候,做简单有效的方法就是寻找标杆企业的做法。学会站在巨人的肩膀上看待问题。

    类比法也有局限性,主要的局限在于类的可比性。类比的本质含义就是同类的或者相近类别之间的对比,如果不具有可比性,则类比的预测就会出现问题。当然,没有两个事物是完全相同的,也没有相同的历史和未来,我们还需要在不同类别中寻找共同点,在这个共同点上找到差异,例如:智能手机用了2年就颠覆了手机行业,那是因为消费者更换手机的周期比较短。汽车行业就不适用这个周期,因为消费者更换汽车的周期要比手机的更换周期长的多。

    所以,我们类比的过程中,我们要思考可比的基础是什么,从而做出预测,对结论进行修订,确保预测的合理性和准确性,并在以后的过程中反思忽略了哪些重要因素,以后在进行预测时,还需要考虑哪些因素。

    3.惯性时间预测法

    惯性预测法是根据事物发展的惯性进行预测,其中最典型的就是趋势分析。炒股的人除了要看基本的股值点数外,还要看趋势线,并根据趋势线来判断什么地方时拐点。

    本质上,惯性只存在于信息不对称的领域,在信息足够对称的情况下,大家转向的风向一致,那么股票价格就不会有这样的波动图形。在信息不够对称的环境下,以信息谋取利润的行业就会有更多的暴力。如果信息已经充分对称了,那么以信息谋取利润的行业就会消失。未来商品的价格会越来越透明,根据信息不对称来销售商品的公司会倒闭。

    时间序列分析模型是最典型的惯性分析法,其本质就是探寻一个事物的数量化指标随时间变化的规律。如果事物完全按照时间顺序发展,则一定会按照一定的规律继续发展下去,如果是向上的趋势,就会继续向上发展;如果是向下的趋势,就会继续向下发展;如果存在周期性,就会按照周期性的规律发展;如果具有循环往复的特征,就会按照循环往复的特征发展下去

    从上面的描述中可以看出时间序列模型最本质的局限;忽略了现在的变化影响因素。即如果事物过去都是向上发展的,则时间序列认为事物还会继续向上发展,但是因为某些因素的原因,出现了下滑,则这个因素不予考虑,会认为是误差或者受随机因素的影响。

    时间序列模型有多种类型,这些类型的分类是从事物变化是否具有规律性来评价的。如果事物的变化很有规律性,而随机影响较小,则可以通过惯性预测法对事物的变化进行预测;如果事物变化是有规律的,但是噪声过大,容易掩盖事物自身的规律,这个时候惯性预测法就不太使用了。噪声的大小是我们是否可以使用惯性预测法来预测的非常重要的因素,噪声大,规律就容易被掩盖,噪声小,我们可以通过趋势来发现事物的规律。

    我们对事物变化规律的认知其实是有限的。一般来说,再利用惯性发探测事物变化规律时,我们能够掌握三种变化规律的探测,分别是季节性、周期性、趋势性。季节性是与时间变化有关系的变化规律。周期性是与变量取值有关系的,盛极而衰,触底反弹。趋势性是随时间呈增长或者下降的趋势,这个趋势可能线性的,也可能是幂级增长或者指数增长。

    4.逻辑关系预测法

    逻辑关系预测法从预测的角度来看是最简单的方法,但从算法探索的角度来看则是最难得方法。两个事物为什么会相关,其背后逻辑是什么,一直困扰着数据分析师。

    沃尔玛的“纸尿裤和啤酒”的事件,让我们觉得纸尿裤和啤酒的销售量有较大的相关性。但是这个相关性能否站的住脚,是否有足够的逻辑解释,是否在任何情况都适用,还是需要数据的支持,没有数据的完美论证。

    在逻辑关系方面,我们可以用各种模型来解读数据,需要不断尝试才能找到一个最佳的逻辑关系。有些逻辑关系只在特殊的情景下才成立,而在其他的情境下就不会成立。逻辑关系的数学模型不是一成不变的,他会随时间、市场状况的变化而变化。

    每个逻辑规律都有其成立的条件。在广告投放初期构建的模型,不见得适合中期和后期;品牌的知名度较低的时候,广告与销售额的关系会被弱化,边际效应显现。当公司的品牌已经非常强大的时候,广告本应该承担一个提醒功能,这个时候如果还是采用说服式广告就非常不妥了,消费者会觉得这是“忽悠”,其自我保护机制显现,导致一些负面的成绩。

    5.比例预测法

    比例是一个数学术语,在数学中,如果一个变量的变化总是伴随着另一个变量的变化,则两个变量是成比例的。我们的日常生活中处处充满着比例。例如:奶茶中奶和茶的比例可以带来不一样的口感,混凝土中砂石、水泥、水的比例,会呈现不同的强度。

    运用比例预测法,其实就是针对以往的数据,对其进行分类汇总整理后,对未来的数据按照一定的比例进行预测,这种比例就是通过以往的数据总结出来的比例。人的行为方式、兴趣爱好在短时间是不会发生较大的变化,我们的预测其实就是在预测人的行为方式和思维,这也就是为什么可以使用比例预测法的原因,因为人的行为方式、兴趣爱好不会轻易改变。

    小编喜欢吃鸡肉,可能再不出现较大的事情之前,这点爱好是不会改变的,通过一段时间的数据收集、汇总、分析。就能够预测出未来的一段时间吃鸡肉的这个概率。一个人的行为方式可能会受到外界因素的影响,可能预测的准确率不会太高。但是如果换做是分析几万,几十万或者更多的人的行为方式兴趣爱好进行整理汇总,在进行预测性分析,那么准确率就会很稳定。

    比例预测法的重点就是在无特殊情况下的一种状态下的预测,例如:一家大型购物中心,前5个月的会员销售占比为50%,那么在第六个月的会员销售占比也会是在50%左右。前5个月的周一到周五的日均销售额为100万,周六周日的日均销售是200万。那么我们可以根据本月工作日和双休日的天数,预测出这个月的一个销售额。

    商业中有一个重要的比例;【10:6:3:1】。讲的是,在每10个顾客中,会有6个人会感兴趣,其中3个人会购买,最终会有1个人进行复购。这个比例在很多销售行业都很适用。这也就是为什么到了一定的节假日,各大商场购物中心花重金进行宣传营销,目的是为了提高10这个基数,基数上升了,最终的3和1也就自然多了。

    比例预测法也有其局限性,比例预测法成立的前提是需要有大量的数据源,但是当数据较少的情况下,比例预测法就没有效果,反而会误导我们的决策。

    展开全文
  • 摘要:大数据分析要实现的应用领域之一就是预测性分析,可视化分析和数据挖掘都是前期铺垫工作,只要在大数据中挖掘出信息的特点与联系,就可以建立科学的数据模型,通过模型带入新的数据,从而预测未来的数据。...

    摘要:大数据分析要实现的应用领域之一就是预测性分析,可视化分析和数据挖掘都是前期铺垫工作,只要在大数据中挖掘出信息的特点与联系,就可以建立科学的数据模型,通过模型带入新的数据,从而预测未来的数据。

    大数据分析要实现的应用领域之一就是预测性分析,可视化分析和数据挖掘都是前期铺垫工作,只要在大数据中挖掘出信息的特点与联系,就可以建立科学的数据模型,通过模型带入新的数据,从而预测未来的数据。下面由八爪鱼爬虫工具为大家详细介绍大数据可视化分析以及预测性分析技术方法。

    大数据的可视化分析方法

    数据是结构化的,包括原始数据中的关系数据库,其数据就是半结构化的,比如文字、图片、视频数据,同时也包括了网络的不同构型的数据,比如链接、位置信息等。通过对不同类型数据的分析,就可以较为直观的发现不同类型的知识结构和内容,包括反映表征的、带有普遍性的广义型知识;用于反映数据的汇聚模式或根据对象的属性区分其所属类别的特征型知识;差异和极端特例进行描述的差异型知识;反映一个事件和其他事件之间依赖或关联的关联型知识;根据当前历史和当前数据预测未来数据的预测型知识。当前已经出现了许多知识发现的新技术,其中之一就是可视化方法。

    数据可视化技术有3个鲜明的特点:一,与用户的交互性强。用户不再是信息传播中的受者,还可以方便地以交互的方式管理和开发数据。二,数据显示的多维性。在可视化的分析下,数据将每一维的值分类、排序、组合和显示,这样就可以看到表示对象或事件的数据的多个属性或变量。三,直观的可视性特点。数据可以用图像、曲线、二维图形、三维体和动画来显示,并可对其模式和相互关系进行可视化分析。

    大数据挖掘算法

    数据挖掘是指数据库中的知识发现,其历史可以追溯到1989年美国底特律市召开的第一届KDD国际学术会议上,而第一届知识发现和数据挖掘(Data Mining,DM)国际学术会议是1995年加拿大召开的,会议上将数据库里存放的数据生动地比拟成矿床,从而“数据挖掘”这个名词很快就流传开来。数据挖掘的目的是在杂乱无章的数据库中,从海量的数据中找到有用的数据,并将其隐藏的潜在价值的信息查找出来的过程。事实上,数据挖掘只是整个KDD过程中的一个步骤。

    数据挖掘的定义没有统一的说法,其中“数据挖掘是一个从不完整的、不明确的、大量的并且包含噪声的具有很大随机性的实际应用数据中,提取出隐含其中、事先未被人们获知、却潜在有用的知识或模式的过程”是被广泛接受的定义。事实上,该定义中所包含的信息——大量真实的数据源包含着噪声;满足用户的需求的新知识;被理解接受的而且有效运用的知识;挖掘出的知识并不要求适用于所有领域,可以仅支持某个特定的应用发现问题。以上这些特点都表现了它对数据处理的作用,在有效处理海量且无序的数据时,还能够发现隐藏在这些数据中的有用的知识,最终为决策服务。从技术这个角度来说,数据挖掘就是利用一系列相关算法和技术从大量的数据中提取出为人们所需要的信息和知识,隐藏在数据背后的知识,可以以概念、模式、规律和规则等形式呈现出来。

    大数据的预测性分析能力

    预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。大数据分析最终要实现的应用领域之一就是预测性分析,可视化分析和数据挖掘都是前期铺垫工作,只要在大数据中挖掘出信息的特点与联系,就可以建立科学的数据模型,通过模型带入新的数据,从而预测未来的数据。作为数据挖掘的一个子集,内存计算效率驱动预测分析,带来实时分析和洞察力,使实时事务数据流得到更快速的处理。实时事务的数据处理模式能够加强企业对信息的监控,也便于企业的业务管理和信息更新流通。此外,大数据的预测分析能力,能够帮助企业分析未来的数据信息,有效规避风险。在通过大数据的预测性分析之后,无论是个人还是企业,都可以比之前更好地理解和管理大数据。

    尽管当前大数据的发展趋势良好,但网络大数据对于存储系统、传输系统和计算系统都提出了很多苛刻的要求,现有的数据中心技术很难满足网络大数据的需求。因此,科学技术的进步与发展对大数据的支持起着重要的作用,大数据的革命需要考虑对IT行业进行革命性的重构。网络大数据平台(包括计算平台、传输平台、存储平台等)是网络大数据技术链条中的瓶颈,特别是网络大数据的高速传输,需要革命性的新技术。此外,既然在大数据时代,任何数据都是有价值的,那么这些有价值的数据就成为了卖点。

    讨论请加群:网页数据采集,群号:159956780,加群暗号:网页数据采集

    展开全文
  • 学习预测性维护系统(PMS),监控未来的系统故障并提前安排维护时间表探讨如何构建机器学习模型进行系统的预测性维护了解机器学习的处理步骤,如选择模型以及用Auto-Encoder技术去除传感器噪声了解如何训练机器学习...
  • 预测性维护是保证未来高效、持续服务的关键。虽然预测性维护所依赖的技术已经取得了快速发展与突破,但在将数据系统地转化成(客户)利益并应用到特定商业模式方面,理想与现实之间仍然存在较大距离。罗兰贝格管理...
  • 确定世界中的行为预测

    千次阅读 2021-01-08 17:07:26
    桔妹导读:自动驾驶系统中的行为预测模块主要负责预判其他交通参与者未来一段时间的行为,其困难主要源自现实世界和人类行为的高度确定。本文列举了现实环境中的不同场景,讨论了两种不同预测方法...
  • 机器都会有故障和失灵。确定设备的状况或维护计划何时应该执行,是影响成本和生产力的极其...这里的特殊在于,我们只使用一个单一的高频信号源来产生我们的最终预测。基于Mel-Frequency Cepstral Coefficients (MFCC
  • 可预测的伪随机数

    千次阅读 2017-12-06 18:22:20
    在某些对安全要求比较高的情况下,如果使用了可预测的伪随机数,可能会导致安全漏洞。 比如,当可预测的伪随机数作为以下用途时: CSRF令牌(token):如果CSRF令牌的值可预测的话,则攻击者可以发动CSRF...
  • 时间序列预测,非季节ARIMA及季节SARIMA

    万次阅读 多人点赞 2019-03-24 21:55:00
    我们将首先介绍和讨论自相关,平稳和季节的概念,并继续应用最常用的时间序列预测方法之一,称为ARIMA。 介绍 时间序列提供了预测未来价值的机会。基于以前的价值观,可以使用时间序列来预测经济,天气和...
  • 灰色预测

    千次阅读 多人点赞 2019-12-04 20:46:42
    Matlab灰色预测GM(1,1)模型,实例讲解附例题及代码。
  • 人类行为真的可预测么?

    千次阅读 2014-05-21 18:21:56
    随着大数据时代的到来,我们越来越多的使用电子产品,使我们的活动信息被越来越多的收集起来。我们知道,机器学习的一大目标就是利用历史数据去预测未来,那么,我们的行为会不会被预测呢?
  • 游戏AI入门系列之可预测AI

    万次阅读 2010-09-05 17:46:00
    那些编写良好的AI,往往可以通过不作弊或者少量作弊就能战胜大多数的玩家,在棋牌类游戏,解密类游戏中,AI甚至已经达到了不可战胜的地位。在图形学已经日趋成熟的今天,各种游戏的视觉效果往往已经让人心满意足,接...
  • 考虑人口出生和死亡率,以及城市人口迁移率; 考虑气候对传播的影响。 模型结构 根据 5分室传播模型结构可知,新型冠状病毒的传播结构为: 02 冠状病毒传播流程图 其中,方框内为状态变量: S=...
  • 京东预测系统核心介绍

    千次阅读 2018-08-23 16:11:50
    1. 京东预测系统 1.1 预测系统介绍 预测系统在整个供应链体系中处在最底层并且起到一个支撑的作用,支持上层的多个决策优化系统,而这些决策优化系统利用精准的预测数据结合运筹学技术得出最优的决策,并将结果...
  • 销售预测

    万次阅读 多人点赞 2019-01-11 16:56:51
    这里有两个问题,第一个问题,预测是怎么做出来的?第二个问题是:对于同一件事情它是预测出不同的结果,什么结果是好与坏?第一个问题是怎么预测的问题,第二个问题是预测的效果好与坏的问题。这就引出了我的主题,...
  • 预测算法——指数平滑法

    万次阅读 多人点赞 2016-07-21 12:59:03
    指数平滑法是移动平均法中的一种,其特点在于给过去的观测值一样的权重,即较近期观测值的权数比较远期观测值的权数要大。根据平滑次数不同,指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。但...
  • 预测机械剩余使用寿命的深度分离卷积神经网络

    千次阅读 多人点赞 2020-01-01 01:29:26
    预测机械剩余使用寿命的深度分离卷积神经网络 摘要 深度学习因其强大的表示学习能力在数据驱动的器械设备剩余使用寿命(RUL)预测中越来越受到重视。借助深度学习技术,可以更充分地了解机器退化情况,近年来的...
  • 预测编码

    万次阅读 多人点赞 2017-07-27 20:36:09
    根据离散信号之间存在一定相关性特点,利用前面的一个或多个信号对下一个信号进行预测,然后对实际值和预值的差(预测误差)进行编码。如果预测比较准确,那么误差信号就会很小,就可以用较少的码位进行编码,以达到...
  • 由于视频序列通常包括较强的时域相关性,因此预测残差值接近于0,将残差信号作为后续模块的输入进行变换、量化、扫描及熵编码,实现对视频信号的高效压缩。   一、帧间预测编码原理    
  • MPC模型预测控制

    万次阅读 多人点赞 2018-12-17 17:02:00
    这篇主要讲一下模型预测控制,如果对PID控制了解的同学,那效果更好。如果了解PID控制,还是熟悉下比较好。 模型预测控制,顾名思义,基于模型,预测未来,进行控制。这个控制是基于模型的,也就是model-based。 ...
  • 2019年国庆假期出行预测报告

    千次阅读 多人点赞 2019-09-29 22:38:21
    国庆节假期全国高速拥堵趋势预测 去程方面:预计全国高速将于2019年10月1日零点出现去程拥堵小高峰;预计10月1日上午十点出现去程拥堵最高峰 返程方面:预计10月5日17点左右出现高速拥堵高峰...
  • 时间序列预测

    千次阅读 2017-09-03 23:59:57
    时间序列预测相关概念时间序列 时间序列中连续的、不同时刻的随机变量,他们彼此之间都... 如果一个时间序列是由一个确定的非线性动力系统产生的,则由时间序列来恢复并刻画原动力系统称为相空间重构 相空间重构,即
  • 如何评估随机森林模型以及重要预测变量的显著说到随机森林(random forest,RF),想必很多同学都陌生了,毕竟这些机器学习方法目前非常流(fàn)行(làn)……白鱼同学也曾分...
  • 基于Python的能耗预测深度学习方法

    千次阅读 2020-11-17 08:55:12
    在一个我们除了增加日常生活...本文提出了一种基于人工神经网络(ANN)的短期负荷预测方法(STLF),在住宅能耗不可预测的情况下,仍能得到准确的预测结果。对记录的数据进行了分析,包括2015年至2018年特定家庭的每...
  • 机器学习模型解释的详尽介绍

    千次阅读 多人点赞 2019-11-26 12:22:00
    机器之心平台来源:腾讯技术工程模型解释方面的研究,在近两年的科研会议上成为关注热点,因为大家仅仅满足于模型的效果,更对模型效果的原因产生更多的思考,这样的思考有助于模型和特征的优化,更能够帮助更...
  • 指数平滑法——趋势平滑预测方法

    万次阅读 2019-07-09 09:08:09
    原文地址:... 指数平滑法(Exponential Smoothing,ES) 目录 1什么是指数平滑法 2指数平滑法的基本公式 3指数平滑的预测公式 3.1(一) 一次指数平滑预测 ...
  • 灰色预测模型

    万次阅读 多人点赞 2019-04-13 15:10:35
    灰色预测模型(Gray Forecast Model)是通过少量的、完全的信息,建立数学模型并做出预测的一种预测方法。是处理小样本预测问题的有效工具。 灰色系统 我们称信息完全未确定的系统为黑色系统,称信息完全确定的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 356,558
精华内容 142,623
关键字:

不可预测性的意思