精华内容
下载资源
问答
  • 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:...
  • data = pd.read_excel('时间序列预测数据集.xlsx') # data.columns=[时间,投递人数,投递次数,工程师投递人数,工程师投递次数,招聘发布公司量,发布职位量,工程师岗位发布公司,工程师岗位发布量] for i in dat
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    from statsmodels.tsa.api import ExponentialSmoothing
    
    data = pd.read_excel('时间序列预测数据集.xlsx')
    # data.columns=[时间,投递人数,投递次数,工程师投递人数,工程师投递次数,招聘发布公司量,发布职位量,工程师岗位发布公司,工程师岗位发布量]
    
    for i in data.drop('时间',axis=1).columns:
        y = data[i][:37]
        ets = ExponentialSmoothing(y, trend='add', seasonal='add', seasonal_periods=12)
        r = ets.fit()
        pred = r.predict(start=len(y), end=len(y) + 12)
        data[i][37:] = pred
        pd.DataFrame({
        'origin': data[i],
        'fitted': r.fittedvalues,
        'pred': pred
    }).plot(legend=True)
        plt.title(i)
    data
    

    https://www.cnblogs.com/lfri/p/12243268.html

    展开全文
  • 季节性时间序列建模与预测 ,孟玲清,王晓雨,所谓所谓时间序列,就是各种社会、经济、自然现象的数量指标按照时间次序排列起来的统计数据,其有多种构成因素,每种因素对系统
  • 自己编写的在2018版matlab上是没有问题的,过早的版本可能会报错如2014版之前
  • 第一次尝试使用Python创建季节性ARIMA模型

    千次阅读 多人点赞 2019-04-25 21:26:48
    时间序列之ARIMA模型前言ARIMA模型简介Python实现ARIMA模型预测数据的获取与准备绘制1995-2002年时间序列趋势图去均值化后ADF平稳检验以及差分绘制自相关函数以及偏相关函数图生成一个适合你的列表创建一个表格...

    前言

    时间:19/04/25,天气晴,心情愉悦。
    大学生活不知不觉已经快要结束了,我才第一次认真的开始检查、审视自己过去两年中究竟学到了些什么?仔细回想,学的东西好像还蛮多的,从我开始懵懂学习C语言后入坑编程系列学习以来,自己慢慢的喜欢上这一领域,开始用C实现一些小小的功能,例如12306抢票、一些经典的小游戏等。后续除了掌握一些基本数据库知识之外我又接触了Java这种oo语言,并且我在自己的课程设计里面独立编写了基于MINA框架的商城Shopping微信小程序,虽然写的有点烂,但是也基本实现了商城的大部分功能(对自己要求有点低)。再后来一次侥幸的机会跟着导师做了一个项目,是基于计算机视觉的智能小车导航避障的,为此,我专门去学习了在MFC框架下用opencv实现图像处理,嗯,opencv图像处理是我学了最长时间也是最系统的学习,从简单的图像形态学处理、图像去燥、图像分割到复杂颇具挑战的模式识别我都有了解过研究过,在做图像处理的过程中,我慢慢的发现自己对图像数据(数据)的各式各样处理计算颇感兴趣。那时候正值大数据的热潮,我从网上找了一些大数据的视频学习了Hadoop、Spark等,掌握了大批量数据下并行处理的方式,但是自己并不知道用什么方法去处理数据,于是,18年的下半年,我开始正式接触机器学习领域,至今学习机器学习时常也有半年的时间了,在这半年里也学习了很多公式推导也有很多算法流程,如今让我回忆一下自己曾经学的这些机器学习的东西,自己的印象其实已经没有那么深刻了,即使在学习当下对算法推导以及应用非常的熟悉,但是没有把自己学的内容整理下来,即使学过随着时间推移也差不多把大部分细节给忘记了。我挺后悔自己当初学习的时候没有做笔记,不过悔在过去、行在当下,从此刻开始记录我的学习,我相信我可以坚持记录下去。

    ARIMA模型简介

    具有如下结构的模型称为求和自回归移动平均(Autoregressive Integrated Moving Average),简记为ARIMA(p,d,q)模型:

    模型
    式中:
    模型解释
    ARIMA模型的数学原理和公式我就不一一解释了,如果有不懂的地方可以参考ARIMA模型,在本篇中我们主要探讨如何用Python对时序进行分析建模。

    Python实现ARIMA模型预测

    数据的获取与准备

    如某市1995-2003年各月的工业生产总值如下表所示,试对1995-2002年数据建模,2003年的数据留做检验模型的预测结果。
    某市1995-2003年各月的工业生产总值
    我们在获取数据时,可能会因为一些客观因素(比如一些表格编辑软件的自动将编码转换UTF-8,默认的时间格式规范不一致,例如19/04/25可能会转换成04/25/19,还有就是本身数据就存在缺失、不合理等问题)导致了数据的异常或缺失,然而在机器学习里,数据的好坏直接决定了模型结果的好坏,所以对数据的预处理必不可少。在我们这个实验数据中,数据并没有出现缺失以及不符逻辑的情况,所以我们可以直接将其作为ARIMA模型的输入数据。(如果数据出现缺失不合理等现象,可以选择性参考 https://blog.csdn.net/zhangyonggang886/article/details/80901290

    Python3:

    import csv
    data_files = csv.reader(open('data.csv','r'))
    dataSet = [] # 训练数据集
    dateSet = [] # 训练年份集
    for data in data_files:
    	if data[0] == '200301': # 将csv文件中验证数据去除
            break
        if data[0] != 'date':
            dateSet.append(data[0])
            dataSet.append(float(data[1]))
    

    绘制1995-2002年时间序列趋势图

    显示一行一行的数据是难以观察数据的趋势走向,这样不利于我们观测数据之间的相互联系,因此画出趋势图有利于数据分析。

    Python3:

    # 利用Pandas库来绘制时间序列趋势图
    import matplotlib.pyplot as plt
    import pandas as pd
    df = pd.DataFrame(dataSet,index=dateSet,columns=['real value'])
    df.plot()
    plt.show()
    

    result:
    时间序列趋势图

    去均值化后ADF平稳性检验以及差分

    ①为什么要去均值化?做数据的去均值化其实就是对数据进行标准化,在很多情况下,我们对数据本身大小并不感兴趣,我们感兴趣的是数据之间的联系,去均值化并不会影响这种联系,因为去均值化后得到的时间序列趋势和没有去均值化得到的时间序列趋势是一样的。
    Python3:

    # 对时间序列进行去均值化
    mean = sum(dataSet)/len(dataSet) # 计算均值
    dataSet_kill_mean = [data - mean for data in dataSet] # 得到去均值后的序列
    

    ②序列平稳是做ARIMA回归的前提条件,所以我们得到的序列必须是平稳的。观测上面的序列趋势图,我们可以很明显的发现数据有逐渐上升的趋势,因此我们判断该段时间序列为非平稳序列。为了得到平稳的时间序列,我们要做差分,因为差分目的是使变量序列平稳。
    Python3:

    # 进行一阶差分并绘制趋势图
    df_kill_mean = pd.DataFrame(dataSet_kill_mean,index=dateSet,columns=['kill mean value'])
    df_kill_mean_1 = dataSet_kill_mean.diff(1).dropna()
    df_kill_mean_1.plot()
    plt.show()
    

    result:
    一阶差分后的趋势图
    ③ADF检验可以让我们判断某段时间序列是否为平稳序列(具体ADF统计学原理可以选择性参考http://www.tinysoft.com.cn/TSDN/HelpDoc/display.tsl?id=12889
    Python3:

    import statsmodels.tsa.stattools as ts
    adf_summary = ts.adfuller(np.array(df_kill_mean_1).reshape(-1)) # 进行ADF检验并打印结果
    print(adf_summary)
    >>> (-3.3635866783352, 0.012264631212932628, 12, 82, {'1%': -3.512738056978279, '5%': -2.8974898650628984, '10%': -2.585948732897085}, 237.8874357065477)
    

    如何观察上面的统计结果来判断序列是否为平稳呢?

    1. 1%、5%、10%不同程度拒绝原假设的统计值和ADF Test result的比较,ADF Test result同时小于1%、5%、10%即说明非常好地拒绝该假设,本数据中,adf结果为-3.3635866783352, 大于1% level的-3.512738056978279,但小于5% level的-2.8974898650628984,如果建模对序列平稳性有相当高的要求,则认为该序列不平稳,若要求并不严格也可认为该序列是平稳序列。如果一阶差分序列不平稳,则继续做二阶差分并检验。
    2. P-value是否非常接近0。本结果中,P-value 为 0.012264631212932628 < 0.05并接近0。

    由此,通过检验观测值,我们认为上述一阶差分后得到的数据满足平稳性检验要求。(一阶差分后的序列平稳性不太好,有可能通不过白噪声检验,在这里忽略白噪声检验环节,若白噪声检验得到的P值大于0.05,那么我们就得对时间序列进行二阶差分)

    绘制自相关函数以及偏相关函数图确定参数p、q

    参数确认规则:(已知序列为一阶差分)
    ① 当偏自相关函数呈现p阶拖尾,自相关函数呈现q阶拖尾时,我们可以选用模型ARIMA(p,1,q)
    ② 当偏自相关函数呈现拖尾,自相关函数呈现q阶截尾时,我们可以选用模型MA(q)
    ③ 当偏自相关函数呈现p阶截尾,自相关函数呈现拖尾时,我们可以选用模型AR(p)
    (备注:如果想要深入了解如何通过PACF和ACF函数图确定模型以及参数,可以参考《ARMA模型的自相关函数和偏自相关函数图谱》链接:https://pan.baidu.com/s/1JqkIIh1gdHqjp9uwwGC87A 提取码:1koe (如果链接失效,联系我重新发链接)

    Python3:

    from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
    # 绘制自相关图
    plot_acf(df_kill_mean_1,lags=24).show() # 其中lags参数是指横坐标最大取值
    # 绘制偏相关图
    plot_pacf(df_kill_mean_1,lags=24).show()
    plt.show()
    

    rusult:
    在这里插入图片描述
    在这里插入图片描述
    我们观测ACF函数图和PACF函数图,我们发现并没有呈现很好的拖尾或截尾情况。出现这个情况的原因有很多种情况,我们观测函数图发现,每隔一个周期,ACF和PACF都出现“尖峰“,例如上述图每隔12个月出现一个"尖峰",由此我们可以很容易的判断,该序列可能存在季节性影响的因素(其实由开始的序列趋势图我们也可以看出序列存在季节性影响)。
    我们可以通过分解的方式将时序数据分离成不同的成分,它主要将时序数据分离为Trend(成长趋势)、seasonal(季节性趋势)、Residuals(随机成分)。然后我们分别对这三个分离的序列进行ARIMA建模得到较好的模型,最后再将模型相加便可以得到最后的ARIMA模型。

    Python3:

    from statsmodels.tsa.seasonal import seasonal_decompose
    decomposition = seasonal_decompose(df_kill_mean_1, freq=12)
    trend = decomposition.trend   # 趋势部分
    seasonal = decomposition.seasonal # 季节性部分
    residual = decomposition.resid # 残留部分
    decomposition.plot()
    

    result:
    序列分解
    这种分解建模的方式有些复杂,接下来我们采用季节性时间序列来对上述具有明显季节性的序列进行建模。

    建立季节性时间序列模型ARIMA(k,D,m)S×(p,d,q)

    我们称ARIMA(k,D,m)S×(p,d,q)为乘积季节模型,也可以写成ARIMA(p,d,q)(k,D,m)S模型,其中S为季节性周期。如果将模型中的AR因子和MA因子分别展开,可以得到类似的ARMA(kS+p,mS+q)的模型。当我们考虑用ARIMA(p,d,q)(k,D,m)S模型的时候,我们需要优化感兴趣度量的是ARIMA(p,d,q)(k,D,m)s各个参数的值。接下来,我们将使用“网格搜索”来迭代地探索参数的不同组合。 对于参数的每个组合,我们使用statsmodels模块的SARIMAX()函数拟合一个新的季节性ARIMA模型,并评估其整体质量。

    Python3:

    # 这段代码借鉴了其他博文的做法
    import itertools
    p = q = range(0, 2) # p、q一般取值不超过2
    d = range(1,2)
    pdq = list(itertools.product(p, d, q))
    seasonal_pdq = [(x[0], x[1], x[2], 12) for x in list(itertools.product(p, d, q))]
    warnings.filterwarnings("ignore") # 忽略警告信息
    for param in pdq:
        for param_seasonal in seasonal_pdq:
            try:
                mod = sm.tsa.statespace.SARIMAX(df_mean_1,
                                                order=param,
                                                seasonal_order=param_seasonal,
                                                enforce_stationarity=False,
                                                enforce_invertibility=False)
    
                results = mod.fit()
                print('ARIMA{}x{} - AIC:{}'.format(param, param_seasonal, results.aic))
            except:
                continue
    >>> 
    ARIMA(0, 1, 0)x(0, 1, 0, 12) - AIC:322.6198841487564
    ARIMA(0, 1, 0)x(0, 1, 1, 12) - AIC:270.20449054798723
    ARIMA(0, 1, 0)x(1, 1, 0, 12) - AIC:279.7073077170952
    ARIMA(0, 1, 0)x(1, 1, 1, 12) - AIC:272.20429383065317
    ARIMA(0, 1, 1)x(0, 1, 0, 12) - AIC:248.2004574618413
    ARIMA(0, 1, 1)x(0, 1, 1, 12) - AIC:209.46795258585362
    ARIMA(0, 1, 1)x(1, 1, 0, 12) - AIC:219.76010995507397
    ARIMA(0, 1, 1)x(1, 1, 1, 12) - AIC:213.63266407486356
    ARIMA(1, 1, 0)x(0, 1, 0, 12) - AIC:292.5090537220262
    ARIMA(1, 1, 0)x(0, 1, 1, 12) - AIC:250.76816771015618
    ARIMA(1, 1, 0)x(1, 1, 0, 12) - AIC:251.43830162843227
    ARIMA(1, 1, 0)x(1, 1, 1, 12) - AIC:251.1402407735711
    ARIMA(1, 1, 1)x(0, 1, 0, 12) - AIC:243.34941237032209
    ARIMA(1, 1, 1)x(0, 1, 1, 12) - AIC:206.44248559031112
    ARIMA(1, 1, 1)x(1, 1, 0, 12) - AIC:211.64269806160195
    ARIMA(1, 1, 1)x(1, 1, 1, 12) - AIC:210.80404367428187
    

    在这里,我们是通过最佳准则函数法来确定具体的参数值的,模型选择的AIC准则越小,我们就大概可以认为该模型越优。通过上述结果我们可以容易得到ARIMA(0, 1, 1)(0, 1, 1,)12模型相对最优。因此我们选择ARIMA(0, 1, 1)(0, 1, 1,)12模型作为我们预测时间序列的最佳模型。

    模型预测

    我们使用我们选取的最佳模型进行预测。

    Python3:

    import statsmodels.api as sm
    df = pd.DataFrame(dataSet,index=dateSet,columns=['real value']) # 原始时间序列
    mod = sm.tsa.statespace.SARIMAX(df,order=(0,1,1),seasonal_order=(1, 1, 1, 12),enforce_stationarity=False,enforce_invertibility=False)
    result = mod.fit()
    predict_sunspots = result.forecast(12)
    forcast = np.array(predict_sunspots[:]).reshape(-1)
    print(forcast)
    >>>
    [19.42912085 17.40614606 21.53290186 22.27891    23.06918964 23.69105707
     22.54036142 23.49219397 24.56108863 24.69965562 26.02344756 26.41517033]
    

    模型指标MAPE

    MAPE
    计算预测值和真实值得MAPE指标,得到MAPE指标值为3.14%,通过这个指标我们可以认为该模型是一个好模型。

    预测值和真实值趋势对比图

    趋势对比图

    结尾

    这是我第一次建立季节性ARIMA模型,如果中间出现错误或者有不合理的地方,还望各位海涵并指正出来,大家一起学习就是要相互纠错,只有这样大家才可以在学习上相互收益、相互进步。同时我也希望这篇文章可以给苦恼于如何用Python建立时间序列模型的朋友指明一条明路。

    展开全文
  • 它还结合了复杂的自动程序来进行识别,精确的最大似然估计和离群值检测,可用于文献中提供的许多类型的模型(例如,多季节ARIMA模型,传递函数,指数平滑,不可观测的分量,VARX)。 例如,您可以通过自动识别异常值...
  • Holt-Winters-季节性预测算法

    万次阅读 2017-08-17 15:57:11
    参考 Holt-Winters seasonal method Holt Winter 指数平滑模型
    展开全文
  • 希望我整理的内容对路过的你有所帮助,点赞或评论,都是相互的鼓励~ 【问题】根据下图中某啤酒生产企业2010-2015年各季度的销售量数据,预测2016年各季度产量 ...可以认定啤酒销售量序列是一个含有季节性成分和趋...

    希望我整理的内容对路过的你有所帮助,点赞或评论,都是相互的鼓励~

     

    【问题】根据下图中某啤酒生产企业2010-2015年各季度的销售量数据,预测2016年各季度产量

    1. 绘制时间序列图,观察啤酒销售量的构成要素

     从上图可以明显看出,啤酒销售量具有明显季节成分,而且后面年份销量比前面年份高,因此其中含有趋势成分,但其周期性难以判断。可以认定啤酒销售量序列是一个含有季节性成分和趋势成分的时间序列。

    2. 确定季节成分,计算季节指数

    2.1 计算移动平均值

    -- 对于季节数据,从2010年1季度开始,每4个季度计算4项移动平均,如:

    年份/季度4项移动平均计算4项移动平均值

    4项移动平均

       对应季度

    2010/1, 2010/2,2010/3, 2010/4(25.0+32.0+37.0+26.0) / 430.002.50
    2010/2,2010/3, 2010/4, 2011/1(32.0+37.0+26.0+30.0) / 431.253.50
    2010/3, 2010/4, 2011/1, 2011/2(37.0+26.0+30.0+38.0) / 432.754.50

    这里出现的问题是,计算出的4项移动平均,没有对应着具体的某个季度,而是在季度之间!

    为了解决这个问题,需要进行中心化处理。

    -- 对计算结果进行中心化处理,也就是再进行一次二项移动平均,得出中心化移动平均值CMA。

    这样处理之后,移动平均值便对应具体季度。思路如下(给我自己做的图点赞❤):

    按照上述思路,计算出的中心化移动平均值CMA情况如下:

    年份时间代码销售量4项移动平均中心化移动平均值
    CMA
    2010/1125.0  
     1.5   
    2232.0  
     2.5 30.000 
    3337.0 30.625
     3.5 31.250 
    4426.0 32.000
     4.5 32.750 
    2011/1530.0 33.375
     5.5 34.000 
    2638.0 34.500
     6.5 35.000 
    3742.0 34.875
     7.5 34.750 
    4830.0 34.875
     8.5 35.000 
    2012/1929.0 36.000
     9.5 37.000 
    21039.0 37.625
     10.5 38.250 
    31150.0 38.375
     11.5 38.500 
    41235.0 38.500
     12.5 38.500 
    2013/11330.0 38.625
     13.5 38.750 
    21439.0 39
     14.5 39.250 
    31551.0 39.125
     15.5 39.000 
    41637.0 39.375
     16.5 39.750 
    2014/11729.0 40.250
     17.5 40.750 
    21842.0 40.875
     18.5 41.000 
    31955.0 41.250
     19.5 41.500 
    42038.0 41.625
     20.5 41.750 
    2015/12131.0 41.625
     21.5 41.500 
    22243.0 41.875
     22.5 42.250 
    32354.0  
     23.5   
    42441.0  

    2.2 计算季节比率

    销售量 同 中心化移动平均值CMA 的比值 = 季节比率

    在乘法模型中,季节指数是以其平均数等于100%为条件而构成的,它反映了某一季度的数值占全年平均数值的大小。

    这里,我们计算出的四个季节比率的平均数为0.9963,不等于1,需进行调整。

    2.3 季节指数调整

    将每个季节比率的平均值除以四个季节比率的总平均值,得到季节指数

    从季节指数变动图可以看出,啤酒销售量的旺季是3季度,淡季是1季度。

    3. 分离季节成分

    将实际销售量分别除以相应的季节指数,将季节成分从时间序列中分离出去,得到分离季节成分的序列。

    4. 建立预测模型

    剔除季节成分后,可以观察到啤酒销量有明显的线性增长趋势。用一元线性模型进行回归分析,得到分离季节因素后的序列对应的线性趋势方程为:\widehat{Y_{t}} = 30.6067 + 0.5592 * t

    5. 预测2016年度销量

    根据趋势方程,带入t=25,可以求得2016年1季度销售量(不含季节因素),再乘以对应的季度指数,就可以求得最终的销售量预测值。

    将实际销售量和最终预测值进行做图比对,可以看出,预测效果非常好。

     

    展开全文
  • 服装零售的季节性离散灰色预测模型
  • 在我们的研究中,我们考虑了对印度旁遮普省降雨数据进行统计分析的季节性和周期性时间序列模型。 在本研究论文中,我们应用季节性自回归综合移动平均和周期自回归模型来分析旁遮普省的降雨数据。 为了评估模型识别...
  • SPSS-季节性分析

    千次阅读 2020-10-30 14:31:53
    用SPSS做一个季节性分析,可是输入数据后点“分析→预测季节性分解”,老是会出现周期性分解要求指定至少一个周期日期组件请问这是什么原因呢? 我是不是没有指定周期是多少,请问如何指定呢? 做spss时间序列...
  • 基于改进小波神经网络的高速公路季节性车流量预测模型.pdf
  • 在之前的专栏中我们用ARIMA的方法做了时间序列的趋势性预测。 不过我们经常还会遇到一种情况,即某些时间序列中存在明显的周期性变化,这种周期是由于季节性变化(季度、月度等)引起的。 如下图所示,为1949年到...
  • 季节性ARIMA模型【R语言】

    万次阅读 多人点赞 2018-10-18 16:31:43
    季节性的ARIMA模型可以预测含有季节性,趋势性的时间序列。他的形式如下 这里m是每一季节的周期值。季节项与非季节项的模型非常相近。但是季节项中包含了季节周期性。例如对于ARIMA(1,1,1)(1,1,1)4模型能够写成: ...
  • 以时间序列含有季节性周期变动的特征,计算描述该变动的季节变动指数的方法。统计中的季节指数预测法就是根据时间序列中的数据资料所呈现的季节变动规律性,对预测目标未来状况作出预测的方法。
  • 论文研究-季节性预测的组合灰色神经网络模型研究.pdf, 对于季节性时间序列具有增长性和波动性的二重趋势性 ,本文提出了季节性预测的组合灰色神经网络模型 ,研究了同时...
  • 季节性ARIMA:时间序列预测

    万次阅读 2019-02-17 15:22:36
    SARIMAX (seasonal autoregressive integrated moving average with exogenous regressor)是一种常见的时间序列预测方法,可以分为趋势部分和周期部分;每个部分又可以分为自回归、差分和平滑部分。 趋势稳定...
  • [Python][pmdarima] 季节性ARIMA模型学习

    千次阅读 多人点赞 2020-08-16 12:48:32
    前段时间参与了一个快消行业需求预测的项目。其中,用到了移动平均法、ARIMA、Xgboost等方法进行预测,现在打算总结一下ARIMA。 因为项目的销售数据属于私密数据,这里用网上找的一份案例数据用于展示。
  • 稠密系数 ARMA 模型拟合,预测季节性序列,降雨量,数学建模
  • 用SARIMA预测周游客数,时间序列的周期应该为多少
  • 旅游客流量具有明显的非线性和季节性特征,所以采取季节调整方法对样本数据进行预处理,消除季节性的影响,可以提高客流量预测的准确性。同时SVR(支持向量回归机)是一种良好的机器学习方法,非常适合预测研究,...
  • Holt-Winters模型分析及时间序列预测

    千次阅读 2019-04-24 00:44:25
    文章目录数据特点异常检测预测器设计同比环比预测器基线预测器Holt-Winters预测器三次指数滑动平均算法报警模型中的预测器计算序列的周期数据残差数据实时预测报警检测比较器的设计一些问题及完善空间 数据特点 ...
  • 该文件包含 holt Winters 平滑的代码,然后绘制实际和预测结果。
  • Holt-Winters模型原理分析及代码实现(python)

    万次阅读 多人点赞 2017-09-21 13:54:15
    引言最近实验室老师让我去预测景区内代步车辆的投放量,于是乎,本着“一心一意地输出年富力强的劳动力”这份初心,我就屁颠屁颠地去找资料,然后发现了Holt-Winters模型 , 感觉这个模型可以有,于是就去研究一番,...
  • 通过机器学习建立支持向量回归(SVR),最小绝对收缩和选择算子(LASSO),卷积神经网络(CNN)预测模型,并考虑了流感的季节性特征,还建立了时间序列模型(ARMA) )。 结果表明,基于网络搜索数据预测流感是可行...
  • 基于神经网络方法的季节性冻土Kostiakov入渗模型参数预测.pdf
  • 利用季节预测法建立了三江平原井灌水稻区大气降雨预报模型,经与实测值比较,精度较高.可在灌区降雨预防及灌溉管理中应用.同时对于该地区推求水稻净灌溉需水量、灌溉定额、优化灌溉制度、节约地下水资源、实施节水灌溉...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,130
精华内容 2,452
关键字:

季节性预测模型