精华内容
下载资源
问答
  • 针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预测模型。通过对真实的居民用电消费数据以及外部因素数据统计处理,深入地分析了居民用电特点以及行为规律,并根据其数据的特征以及天气、节假日等...
  • 行业分类-设备装置-一种基于风速时序分解的风电场有功功率优化方法.zip
  • 将股票价格进行时序分解,得到趋势图、周期图和误差图。然后放到微信公众号上,让用户输入"002581.SZ"等股票代码,即可自动回复以上的图片。 主要思路 用tushare获得股票的历史数据。 用statsmodels的STL...

    目的

    将股票价格进行时序分解,得到趋势图、周期图和误差图。然后放到微信公众号上,让用户输入"002581.SZ"等股票代码,即可自动回复以上的图片。

    主要思路

    1. 用tushare获得股票的历史数据。
    2. 用statsmodels的STL进行时序分解。
    3. 用matplotlib出趋势图、周期图和误差图 的三合一图片。
    4. 将以上功能部署到树莓派上。
    5. 树莓派利用花生壳作内网穿透,对外提供服务。
    6. 树莓派上部署微信公众号服务器,对用户提供便捷服务。

    输出的图片

    时序分解股票

    进度

    现在已完成使用tushare获取指定股票历史数据、使用statsmodels进行时序分解、使用matplotlib出三合一图。

    但想要接上微信公众号,则必须要有一台公网80端口的服务器。准备用花生壳进行内网穿透,但64位的树莓派4好像装不了花生壳客户端。而经过一晚上实验,发现局域网内必须要有一台电脑运行着花生壳客户端,否则无法解析。

    好像在PC上运行花生壳客户端,也只能访问树莓派一会儿,之后还是不行。需要进一步验证,同时验证32位树莓派上同时运行花生壳客户端和服务器程序,能不能稳定解析。

    所以接下来准备用之前旧的树莓派搭个32位的arm服务器,把项目迁过去,运行花生壳客户端,同时运行服务器程序。

    由于我家是电信光猫的内网ip,光猫只有一个lan口没有wifi,所以只能先接路由器,再接各设备。但这样花生壳的内网穿透会报"域名IP地址指向与转发服务器IP不一致"。解决方案是,先直连光猫,从 http://192.168.1.1/romfile.cfg 上下载配置文件,找到超级管理员telecomadmin和其密码,登上光猫后台,配置DMZ到路由器。然后再上路由器后台,配置DMZ到32位旧树莓派。

    在服务器程序的一开始去执行"sudo phddns start"来运行花生壳客户端。另外,可以使用"sudo phddns status"来查看SN号,以此可以在花生壳网页管理台上看客户端在不在线。然后在花生壳网页管理台上配置域名映射。

    忙了快一天,花生壳映射终于成功了!

    另外,由于树莓派上官方的statsmodels版本太低,所以只能去git clone官方最新代码到本地,然后 python3 setup.py install 。再另外,由于github的速度极慢,所以只能先clone到国内的gitee上,再从gitee上clone到本地。

    然后就是微信客户端的流程。应该是收到消息后,取股票数据,时序分解,出图,上传临时图片获取资源ID,发送资源ID给用户完成回复图片。整个流程必须控制在5秒内,否则微信服务器算超时。

    使用 re.fullmatch 进行全匹配。

    在非交互式后端,若只要matplotlib生成图片不需要显示窗口,需要:

    import matplotlib
    matplotlib.use('Agg')

    使用python的dict,作为cache,保存media_id。这样就可以不用每次查询都重新拉数据、出图、上传图片了。

    • 使用tushare获取指定股票历史数据
    • 使用statsmodels进行时序分解
    • 使用matplotlib出三合一图
    • 旧树莓派搭建32位的arm服务器,运行花生壳客户端
    • 项目迁移至旧树莓派32位的arm服务器,不用定时运行更新公网地址的代码了
    • 搭建微信客户端的流程,注意时限
    • 使用cache缓存media_id
    • 增加定时器去更新day和access_token

    微信公众号

    该项目已部署至个人微信公众号上,由一台旧32位树莓派充当服务器。

    只需把 002581.SZ 这样的股票代码发送至公众号,即可获得该只股票股价的时序分解图,分别是趋势图、周期图和误差图。

    微信公众号二维码

    代码开源地址

    https://github.com/zhangsheng377/stats_stock

    docker

    目前,已把该树莓派镜像部署至docker,这样就不用screen暴力的在后台运行及监控了。

    https://github.com/zhangsheng377/docker/tree/master/stats_stock

    打赏

    如果各位觉得该项目帮到了您的话,还请不吝打赏,谢谢!

    支付宝收款二维码

    微信收款二维码

    展开全文
  • 网络KPI异常检测之时序分解算法

    千次阅读 2020-06-11 09:47:45
    五、基于时序分解的异常检测算法 在前面的章节,我们了解了时序分解的算法,也学习了异常判断的准则,那么如何基于时序分解进行异常检测呢?在本章,我们将首先给出异常检测算法的原理,再给出基于时序分解的异常...

    【摘要】 如何去发现时间序列中的规律、找出其中的异常点呢?接下来,我们将揭开这些问题的面纱。

    时间序列数据伴随着我们的生活和工作。从牙牙学语时的“1, 2, 3, 4, 5, ……”到房价的走势变化,从金融领域的刷卡记录到运维领域的核心网性能指标。时间序列中的规律能加深我们对事物和场景的认识,时间序列中的异常能提醒我们某些部分可能出现问题。那么如何去发现时间序列中的规律、找出其中的异常点呢?接下来,我们将揭开这些问题的面纱。

    一、什么是异常          

    直观上讲,异常就是现实与心理预期产生较大差距的特殊情形。如2020年春节的新型肺炎(COVID-19,coronavirus disease 2019),可以看到2月12日有一个明显的确诊病例的升高,这就是一个异常点,如下图:


    从统计上讲,严重偏离预期的点,常见的可以通过3-sigma准则来判定。

    从数学上讲,它就是一个分段函数:

    那么我们有哪些方法来发现异常呢?异常分析的方法有很多,在本文中,我们主要讲解时间序列分解的算法。接下来,我们先从时间序列的定义开始讲起。          

    二、什么是时间序列          

    前面章节,我们列举了生活和工作中的一些时间序列的例子,但是并没有给出定义。在本节中,我们将首先给出时间序列的定义,然后给出时间序列的分类方法,最后再给大家展示常见的时间序列。

    1. 时间序列的定义

    时间序列是不同时间点的一系列变量所组成的有序序列。例如北京市2013年4月每日的平均气温就构成了一个时间序列,为了方便,我们一般认为序列中相邻元素具有相同的时间间隔。

    时间序列可以分为确定的和随机的。例如,一个1990年出生的人,从1990年到1999年年龄可以表述为{0,1,2,…,9},这个序列并没有任何随机因素。这是一个确定性的时间序列。现实生活中我们所面对的序列更多的是掺杂了随机因素的时间序列,例如气温、销售量等等,这些是带有随机性的例子。我们说的时间序列一般是指带有随机性的。

    那么对于随机性的时间序列,又如何进行分类呢?

     

    2. 时间序列的分类

    从研究对象上分,时间序列分为一元时间序列和多元时间序列,如新冠肺炎例子中,只看确诊病例的变化,它是一元时间序列。如果把确诊病例和疑似病例联合起来看,它是一个多元时间序列。

    从时间参数上分,时间序列分为离散时间的时间序列和连续时间的时间序列。例如气温变化曲线,通常是按照天、小时进行预测、计算的,这个采集的时间是离散的,因此,它是一个离散时间的时间序列。再如花粉在水中呈现不规则的运动,它无时无刻不在运动,它是一个连续时间的时间序列,这就是大家众所周知的布朗运动。在我们的工作中,我们一般遇到的都是离散时间的时间序列。

    从统计特征上分,时间序列分为平稳时间序列和非平稳时间序列。平稳序列从直观上讲,均值和标准差不随着时间发生变化,而非平稳序列均值或者标准差一般会随着时间发生变化。下面两个图分别给出平稳序列和非平稳序列的例子。

     

    3. 常见的时间序列

    在本节,我们将给大家列举一些常见的时间序列,让大家对常见的时间序列有一个直观的概念。

     

               

               

    三、时间序列的分解          

    前面给大家讲了异常和时间序列的概念,本章将给大家讲解时间序列分解技术。

    1. 目的

    时间序列分解是探索时序变化规律的一种方法,主要探索周期性和趋势性。基于时序分解的结果,我们可以进行后续的时间预测和异常检测。

     

    2. 主要组成部分

    在时间序列分析中,我们经常要关注趋势和周期。因此,一般地,我们将时序分成三个部分:趋势部分、周期部分和残差部分。结合下图CO2含量的例子(见下图)对这三个主要部分进行解释:

    1)趋势部分:展示了CO2含量逐年增加;

    2)周期部分:反应了一年中CO2含量是周期波动的;

    3)残差部分:趋势和周期部分不能解释的部分。

     

    3. 时序分解模型

    时间序列分解基于分解模型的假设。通常,我们会考虑以下两种模型:

    在一个时间序列中,加法模型假设周期、趋势和残差三个部分是可加的,而乘法模型假设周期、趋势和残差三个部分是乘积关系。虽然加法模型在形式上差异很大,但是他们之间是可以相互转化的, 乘法模型经过log变换后即可变成加法模型,数学表达如下:

    那么在使用中,加法模型和乘法模型该如何进行选择呢?

    加法模型适用于以下场景:

    1)当周期性不随着趋势发生变化时,首选加法模型,如下图(a);

    2)当目标存在负值时,应选择加法模型;

     

    乘法模型适用于以下场景:

    1)周期随着随时发生变化时,首选乘法模型,如下图(b);

    2)经济数据,首选乘法模型(增长率、可解释)。

    另外,当我们不清楚选择哪个模型时,可以两个模型都使用,选择误差最小的那一个。

    由于乘法模型与加法模型可以相互转化,我们后面仅以加法模型来进行介绍。

     

    4. 时序分解算法

    基于周期、趋势分解的时序分解算法主要有经典时序分解算法、Holt-Winters算法和STL算法。经典时序分解算法起源于20世纪20年代,方法较简单。Holt-Winters算法于1960年由Holt的学生 Peter Winters 提出,能够适应随着时间变化的季节项。STL(Seasonal and Trend decomposition using Loess)分解法,由Cleveland 等于1990年提出,比较通用,且较为稳健。三者之间的关系,如下图所示:

    4.1.  经典时序分解算法

    经典时序分解算法是最简单的一种分解算法,它是很多其他分解算法的基础。该算法基于“季节部分不随着时间发生变化”这一假设,且需要知道序列的周期。另外,该算法基于滑动平均技术。

    其中,m=2k+1. 也就是说,时刻t的趋势项的估计值可以通过前后k个时刻内的平均值得到。阶数 m 越大,趋势越光滑。由上面的公式可以看出,m一般取奇数,这保证了对称性。但是在很多场景下,周期是偶数,例如一年有4个季度,则周期为4,是偶数。此时,需要做先做一个4阶滑动平均(4-MA),再对所得结果做一个2阶滑动平均(2-MA),整个过程记为2×4-MA 。这样处理后的结果是对称的,即加权的滑动平均,数学表达如下:

    下面我们将讲解经典时序分解算法的计算步骤。

    假设一个序列的周期为m,经典时序分解算法的步骤如下:

    经典时序分解算法虽然简单、应用广泛,但是也存在一些问题:

     

    1)无法估计序列最前面几个和最后面几个的趋势和周期部分,例如若m=4,则无法估计前2个和后2个观测的趋势和周期的部分;

    2)严重依赖“季节性部分每个周期都是相同的”这一假设;

    3)过度光滑趋势部分。


    4.2.  Holt-Winters算法

    在上一节中,我们介绍了经典时序分解算法,但是它严重依赖“季节性部分每个周期都是相同的”这一假设。为了能够适应季节部分随时间发生变化,Holt-Winters算法被提出。Holt-Winters算法是基于简单指数光滑技术。首先,我们先介绍简单指数光滑技术。

    简单指数光滑的思想主要是以下两点:

    1)对未来的预测:用当前的水平对下一时刻的点进行预测;

    2)当前水平的估计:使用当前时刻的观测值和预测值(基于历史观测数据的预测值,即上一时刻的水平)的加权平均作为当前水平的估计。

    简单指数光滑的模型比较简单,如下:

    Holt-Winters算法是简单指数光滑在趋势(可理解为水平的变化率)和季节性上的推广,主要包括水平(前文中的趋势项)、趋势项和季节项三个部分。

     

    4.3.  STL算法

    STL(Seasonal and Trend decomposition using Loess)是一个非常通用的、稳健性强的时序分解方法,其中Loess是一种估算非线性关系的方法。STL分解法由 Cleveland et al. (1990) 提出。

    STL算法中最主要的是局部光滑技术 (locally weighted scatterplot smoothing, LOWESS or LOESS),有时也称为局部多项式回归拟合。它是对两维散点图进行平滑的常用方法,它结合了传统线性回归的简洁性和非线性回归的灵活性。当要估计某个响应变量值时,先从其预测点附近取一个数据子集(如下图点  是要预测的点,选取周围的点   来进行拟合),然后对该子集进行线性回归或二次回归,回归时采用加权最小二乘法(如下图,采用的是高斯核进行加权),即越靠近估计点的值其权重越大,最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。

    STL算法的主要环节包含内循环、外循环和季节项后平滑三个部分:

    1)内循环:

     

    2)外循环:

    外循环主要作用则是引入了一个稳健性权重项,以控制数据中异常值产生的影响,这一项将会考虑到下一阶段内循环的临近权重中去。

    3)季节项后平滑:

    趋势分量和季节分量都是在内循环中得到的。循环完后,季节项将出现一定程度的毛刺现象,因为在内循环中平滑时是在每一个截口中进行的,因此,在按照时间序列重排后,就无法保证相邻时段的平滑了,为此,还需要进行季节项的后平滑,后平滑基于局部二次拟合,并且不再需要在loess中进行稳健性迭代。

         

    四、异常判断的准则          

    对于异常的判断,我们常用的有 n-sigma 准则和boxplot准则(箱线图准则)。那这些准备是如何计算的,有哪些区别和联系呢?

    1. n-sigma准则

     

    n-sigma准则有计算简单、效率高且有很强的理论支撑,但是需要近似正态的假设,且均值和标准差的计算用到了全部的数据,因此,受异常点的影响较大。

     

    2. boxplot 准则

    为了降低异常点的影响,boxplot准则被提出。boxplot(箱线图)是一种用作显示一组数据分散情况的统计图,经常用于异常检测。BoxPlot的核心在于计算一组数据的中位数、两个四分位数、上限和下限,基于这些统计值画出箱线图。

    根据上面的统计值就可以画出下面的图,超过上限的点或这个低于下限的点都可以认为是异常点。

    从上面的计算上可以看出,boxplot对异常点是稳健的。

           

    五、基于时序分解的异常检测算法          

    在前面的章节,我们了解了时序分解的算法,也学习了异常判断的准则,那么如何基于时序分解进行异常检测呢?在本章,我们将首先给出异常检测算法的原理,再给出基于时序分解的异常检测算法步骤。

    1. 异常检测算法原理

    回顾一下异常的定义,它是一个分段函数:

    我们可以看到预测值(拟合值)和阈值是不知道的。对于预测值,我们可以通过找规律来猜这个预测值是多少,本章我们可以通过时序分解找周期和趋势的规律,进而得到预测值。对于阈值,我们可以看到阈值是针对真实值和预测值的差值设置的,目的是把异常值找到,因此我们只要找到正常值的残差和异常值的残差的边界即可。而我们n-sigma准则和boxplot准则就可以根据残差把边界找出来,即阈值。这个思考和实现的过程示意图如下:

     

    2. 基于时序分解的异常检测算法

    本节我们给出基于“STL算法+boxplot准则”的异常检测算法,详细步骤如下:

    Demo代码下载地址 

     

    作者:胡大海

     

    点击这里,了解更多精彩内容

    展开全文
  • 基于该方法,首先利用矩阵分解提取原始时序数据的特征,然后通过时序模型挖掘特征的趋势,最后根据预测的特征得到预测结果并进行推荐。实验结果表明,所提出的算法与已有的推荐算法相比,在均方根误差(root mean ...
  • 计算机组成原理实验报告-时序生成电路实验 (5页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦!9.9 积分计算机硬件实验室实验报告堡程名称:姓名章道飞300920542设备名称...

    a7f4a3f590493a1e451dd952a488fd7c.gif 计算机组成原理实验报告-时序生成电路实验

    (5页)

    676b20d5225c003bbd7b6e4cf6fe5953.png

    本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦!

    9.9 积分

    计算机硬件实验室实验报告堡程名称:姓名章道飞300920542设备名称及软件环境计算机、Proteus仿真软件.模型机仿真软件实验名称吋序牛成电路实验实验日期一.实验内容验证控制器所需要的T1?T4的生成 二?理论分析或算法分析D触发器原理图:D触发器特征表:ClkDQ(f+1)0XQ⑴10011iD触发器波形图:CPL)QD触发器:D触发器特征方程:Qn+1=DD触发器工作过程:1. CP二0时,与非门G3和G4封锁,其输出Q3二Q4=l,触发器的状态不变。同时,由 于Q3至Q5和Q4至Q6的反馈信号将这两个门打开,因此可接收输入信号D,Q5二D, Q6=Q5 非二D 非。2. 当CP由0变1时触发器翻转。这时G3和G4打开,它们的输入Q3和Q4的 状态由G5和G6的输出状态决定。Q3二Q5非二D, Q4二Q6非二D非。由基本RS触发 器的逻辑功能可知,Q=Q3=Do三. 实现方»去(含实现思路.程序流程图、实验电路图和源程序列表等)按以上方法连接电路利用三个D触发器四个与门最后连接示波器显示脉冲状态四. 实验结果分析(含执行结果验证、输出显示信息、图形、调试过程中所遇的问题及处理方法等)Channel AClhiniiel CJiaimel B Channel D结果图开始由于激励源时钟脉冲频率太低如下图:正弦?脉冲

    4d91c43bfc72ca913299809b07b4968f.gif  天天文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。

    展开全文
  • 基于会话时序相似性的矩阵分解数据填充
  • 基于时序模型和矩阵分解的推荐算法.pdf
  • 时序数据挖掘方法.pdf

    2021-05-22 22:02:05
    时序分割、时序再表征、异常检测、时序分类、时序分解、序列模式、时序聚类、时序预测
  • 融合序列分解与时空卷积的时序预测算法.pdf
  • FPGA协方差特征分解时序芯片设计中的应用.pdf
  • 实验二 CPU运行时序逻辑的设计 实验要求: 1. 用Verilog HDL 语言设计三周期时序逻辑电路,要求带复位功能,t[2:0]在非法错误状态下能自动恢复。(比如说110恢复到001)。 2. 具体要求参见1_部件实验内容.doc说明文件...

    实验一 8位程序计数器PC[7:0]的设计

    实验要求:

    1. 分别用图形方式和Verilog HDL语言设计8位程序计数器,计数器带有复位,计数,转移功能。

    2. 具体要求参见1_部件实验内容.doc说明文件。

    实验实现:

    1. 用图形方式设计实现8位程序计数器,用到了两个74LS161四位十六进制计数器,主要步骤是两个四位十六进制计数器的串联,低四位计数器的进位端RCO连到高四位计数器的进位使能端ENT,然后连上reset、clk、ir[7:0]、t[1:0]、pc[7:0]、rco等输入输出信号,最后加上转移控制逻辑即可。注意两个十六进制计数器是同步的,具体参见PC_8bit.gdf文件。

    2. 编译通过,建立波形仿真文件,设置输入信号参数。注意在一张图中同时实现复位(reset低位有效)、计数、转移功能,最后加上一些文字注释即可,具体参见PC_8bit.scf文件。

    3. 用Verilog HDL语言设计实现8位程序计数器。在已经实现.gdf文件的基础上使用库函数形式是很容易编写出.v文件的,不过学生选择了行为描述方式实现,因为后者更具有通用性,依次实现8位程序计数器的复位、计数、转移功能即可,具体参见PC_8bit.v文件。

    4. 编译仿真类似上述步骤2。

    实验小结:

    1. 这是计算机组成原理的第一个实验,比较简单,按照实验要求即可完成实验。通果这次实验,我对Max+Plus软件的使用方法和Verilog HDL语言编程复习了一遍,为后面的实验打好基础。

    实验二 CPU运行时序逻辑的设计

    实验要求:

    1. 用Verilog HDL 语言设计三周期时序逻辑电路,要求带复位功能,t[2:0]在非法错误状态下能自动恢复。(比如说110恢复到001)。

    2. 具体要求参见1_部件实验内容.doc说明文件。

    实验实现:

    1. 用Verilog HDL 语言设计实现带复位和纠错功能的三周期时序逻辑电路。输入clk外部时钟信号和reset复位信号(低位有效),输出ck内部时钟信号和三周期信号t[2:0]。利用两级3位移位式分频逻辑实现,具体参见cycle_3.v文件。

    2. 编译通过,建立波形仿真文件,设置clk外部时钟信号和reset复位信号,Simulate 即可输出实验要求中显示的波形。

    实验小结:

    1. 刚做这个实验的时候不知道CPU运行时序逻辑设计的真实用途,在进一步学习了计算机组成原理的理论知识,做cpu4实验后才知道是用来由外部时钟信号clk产生内部时钟信号ck以及三周期信号t[2:0]的。刚完成本次实验的时候未添加三周期信号t[2:0]的自动功能,后来完成cpu4后补上了。

    实验三 静态存储器的设计与读写验证

    实验要求:

    1. 设计一个SRAM存储器,地址和数据都是8位,存储容量是256个字节。

    2. 采用异步的时序逻辑设计方式,数据是双向的,输入输出不寄存,存储器的地址也不寄存。

    3. 具体要求参见1_部件实验内容.doc说明文件。

    实验实现:

    展开全文
  • 信号数据EMD分解+IMF时序数据LSTM预测建模实践

    千次阅读 热门讨论 2020-05-30 17:24:00
    分解处理,之后基于LSTM模型来实现时序数据的建模预测分析。 对于现在的我来说,属于数据信号处理领域里面的小白,所以写这篇文章很可能会有错误或者是不合理的地方,如果问题欢迎指出,欢迎交流学习,同时呢?...
  • 继续梳理《AUTOSAR_TR_TimingAnalysis》。 时序需求分解的方法论 ... 如前所述,AUTOSAR 方法论涵盖... 然后需要对 AUTOSAR 方法进行扩展,以涵盖必须进行第一次功能分解时序要求分解的系统/功能架构设计阶段...
  • 为此采用新的方法,将序列数据本身进行多平滑因子分解,对分解后的序列进行多尺度的采样并分别建模、预测.最后将结果整合。该方法应用于股票的实验表明,即使对起伏波动很大的时间序列,也能够得到较好的预测结果。
  • 行业分类-设备装置-基于分段正交多项式分解时序数据最近邻分类方法.zip
  • CAN学习笔记---位时序

    2019-12-12 15:33:30
    时序 由于 CAN 属于异步通讯,没有时钟信号线,连接在同一个总线网络中的...为了实现位同步,CAN协议把每一个数据位的时序分解成4 个段 同步段(SS) 传播时间段(PTS) 相位缓冲段 1(PBS1) 相位缓冲段 2(PBS2)...
  • EMD 经验模态分解模型 IMF的物理含义:知乎链接 EMD基础理论:知乎链接 参考链接1 参考链接2 参考链接3 tips: 应用–指标监控
  • 实验四:时序系统 一、实验目的: 掌握计算机实验中时序系统的设计方法。 设计一个基本时序系统,该系统具有4个节拍电平及四相工作脉冲。 其时序关系参阅下图中的M0—M3,T0—T3。 二、实验所用...
  • 概要设计画好时序图,流程图基本可以明确分解工作包,落地 1,jwt生成+密钥对 1d 2,登陆接口存入redis,返回权限信息,返回给网关 2d 3,用一个系统做验证,能否根据传入的token,权限,完成内部的鉴权 6d 4,sso...
  • 时序分解为趋势项、季节项(周、月等)、余项。利用Lowess局部加权回归技术进行平滑;通过外循环设计体现鲁棒性。 分别用Yv, Tv,Sv,Rv分别代表数据,趋势项、季节项和余项,v的范围为0到N,那么Yv=Tv+Sv+Rv ,...
  • 时间序列分解算法:STL

    万次阅读 2017-08-19 10:28:42
    STL (Seasonal-Trend decomposition procedure based on Loess) [1] 为时序分解中一种常见的算法,基于LOESS将某时刻的数据\(Y_v\)分解为趋势分量(trend component)、周期分量(seasonal component)和余项...
  • seasonal-trend decomposition procedures based on loess (STL)就是时序分解中一种常见的算法,基于LOESS将某时刻的数据Yv分解为趋势分量(trend component)、季节周期分量(seasonal component)和剩余分量...
  • 什么时静态时序分析

    2021-08-04 21:44:55
    STA把设计分解时序路径,计算这这些路径的传播时延,并且检查设计内部和输入/输出接口的时序约束的违例情况。 另外一种时序分析的方法是动态仿真,这是通过给定一组输入激励矢量,然后检查电路的全部行为。和动态...
  • 时序

    2020-02-07 03:02:41
    我们传统的互斥锁,是不支持时序(按照抢锁的先后顺序获取锁。) 我们遇到一种情况,我们的一个任务超时时间设置的是30min。多个任务并发时,因为存在共享资源A,需要对共享资源A加阻塞锁,预计正常情况下每个任务会...
  • 时序模式

    万次阅读 2016-05-01 18:20:11
    时序模式  时序模式是指通过时间序列搜索出的重复发生概率较高的模式。与回归一样,它也是用己知的数据预测未来的值,但这些数据的区别是变量所处时间的不同。 1.时间序列的预处理  到一个观察值序列后,首先要...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,202
精华内容 4,880
关键字:

时序分解