首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >问答首页 >three.js与时间序列数据的结合

three.js与时间序列数据的结合
EN

Stack Overflow用户
提问于 2014-03-30 12:41:38
回答 1查看 1.4K关注 0票数 4

如何最好地使用时间序列数据来指导three.js场景的动画?

例如:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  Time     | ObjA(x,y,z) | ObjB(x,y,z) | ...
  00:00:00 | 0,9,0       | 1,1,1       | ...
  00:00:10 | 0.1,0,0.1   | 1,0.5,1     | ...
  00:00:15 | 0.1,0.1,0.1 | 0.9,0.5,1   | ...

数据可以是数百行,如果不是数千行长的话。对象的数量也可以从数据集更改为数据集。

我读过关于使用tween.js和链接关键帧的文章。但是在初始化过程中创建和链接数千条消息并不是正确的答案。

tween.js是正确的道路吗?还是我错过了一个能更好地处理局面的延期?有任何类似用例的例子可以证明是有用的吗?

更新

因此,Director.js肯定能够给出正确的结果。但是它看起来是为了在镜头周围移动,而不是引导数百个网格的运动。在可能的数百个网格上将数千条推文链接在一起是否是实现脚本重放的最佳方式?

EN

回答 1

Stack Overflow用户

发布于 2014-11-03 03:55:09

你在场的桌子有点误导人。通常情况下,如果您有一个时间线,并且对象的数量是动态的--您将创建多个时间线,每个时间线一个--这使得操作整个集合变得更容易。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
var Record = function(time, value){
    this.time = time;
    this.value = value;
};
var Signal = function(){
    this.records = [];
    this.findValue = function(time){
        //... some divide and conquer implementation
    }
    this.getInterpolatedValue = function(time){...};
    this.add = function(time,value){
        //make sure sequence is preserved by doing a check or just assuming that add is always called with time greater than what's already in the series
        this.records.push(new Record(time,value));
    }
};

var signalObjA = new Signal();
var signalObjB = new Signal();

当谈到重播时,插补是必要的,您可能需要某种类型的动画管理器,一种根据当前时间从信号中获取(信号、对象)对并设置对象值的东西。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
var Binding = function(signal, object){
    this.signal = signal;
    this.object = object;
    this.applyTime = function(t){
       var val = this.signal.getInterpolatedValue(t);
       for(var p in val){
           if(val.hasOwnProperty(p)){
               this.object[p] = val[p]; //copying values into object
           }
       }
    }
}
var Simulator = function(){
    this.time = 0;
    this.bindings = [];
    this.step = function(timeDelta){
        this.time += timeDelta;
        var time = this.time;
        this.bindings.forEach(function(b){
            b.applyTime(time);
        });
    }
}

如果您在空间方面遇到问题,请尝试将Record压缩到Float32Array或您选择的其他二进制缓冲区中。

编辑:

请注意,这种方法的目的是节省内存和删除数据转换。一种节省堆使用和GC,另一种节省CPU时间。

票数 -1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/22749591

复制
相关文章
将梯度提升模型与 Prophet 相结合可以提升时间序列预测的效果
我们以前的关于使用机器学习进行时间序列预测的文章中,都是专注于解释如何使用基于机器学习的方法进行时间序列预测并取得良好结果。
deephub
2022/04/14
1K0
将梯度提升模型与 Prophet 相结合可以提升时间序列预测的效果
将梯度提升模型与 Prophet 相结合可以提升时间序列预测的效果
来源:Deephub Imba本文约1200字,建议阅读5分钟将Prophet的预测结果作为特征输入到 LightGBM 模型中进行时序的预测。 我们以前的关于使用机器学习进行时间序列预测的文章中,都是专注于解释如何使用基于机器学习的方法进行时间序列预测并取得良好结果。 但是在这篇文章将使用更高级的技术来预测时间序列,本文将使用 Prophet 来提取新的有意义的特征,例如季节性、置信区间、趋势等。 时间序列预测 一般情况下 LightGBM 模型都会使用一些lag的特征来预测未来的结果,这样做一般
数据派THU
2022/05/05
5900
将梯度提升模型与 Prophet 相结合可以提升时间序列预测的效果
时间序列数据(上)
总第92篇 01|时间序列定义: 时间序列是按照一定的时间间隔排列的一组数据,其时间间隔可以是任意的时间单位,如小时、日、周月等。比如,不同时间段某产品的用户数量,以及某个在网站的用户行为,这些数据形成了以一定时间间隔的数据。 人们希望通过对这些时间序列的分析,从中发现和揭示现象发展变化的规律,尽可能多地从中提取所需要的信息,并将这些知识和信息用于预测,以掌握和预测未来行为。对于时间序列的预测,由于很难确定它与其他变量之间的关系,这时我们就不能用回归去预测,而应使用时间序列方法进行预测。 采用时间序
张俊红
2018/04/11
1.6K0
时间序列数据(上)
时间序列数据的预处理
来源:Deephub Imba本文约2600字,建议阅读5分钟在本文中,我们将看到在深入研究数据建模部分之前应执行的常见时间序列预处理步骤和与时间序列数据相关的常见问题。 时间序列数据随处可见,要进行时间序列分析,我们必须先对数据进行预处理。时间序列预处理技术对数据建模的准确性有重大影响。 在本文中,我们将主要讨论以下几点: 时间序列数据的定义及其重要性。 时间序列数据的预处理步骤。 构建时间序列数据,查找缺失值,对特征进行去噪,并查找数据集中存在的异常值。 首先,让我们先了解时间序列的定义: 时间序列是在
数据派THU
2022/03/04
1.7K0
时间序列数据库(TSDB)初识与选择
这两年互联网行业掀着一股新风,总是听着各种高大上的新名词。大数据、人工智能、物联网、机器学习、商业智能、智能预警啊等等。
码哥字节
2020/03/24
3.1K0
【附代码】时间序列与时间序列的相关、时间序列与空间场的相关、空间场与空间场的相关、显著性检验打点
该相关系数是由卡尔·皮尔逊在前人的研究基础上所提出的相关统计量,可以用来度量两个变量之间的简单线性关系。它的计算公式如下:
自学气象人
2023/06/21
2.2K0
【附代码】时间序列与时间序列的相关、时间序列与空间场的相关、空间场与空间场的相关、显著性检验打点
时间序列 | pandas时间序列基础
时间序列(time series)数据是一种重要的结构化数据形式,应用于多个领域,包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的,也就是说,数据点是根据某种规律定期出现的(比如每15秒、每5分钟、每月出现一次)。时间序列也可以是不定期的,没有固定的时间单位或单位之间的偏移量。时间序列数据的意义取决于具体的应用场景,主要有以下几种:
数据STUDIO
2021/06/24
1.5K0
时间序列建模的时间戳与时序特征衍生思路
时间序列模型在我们日常工作中应用的场景还是会很多的,比如我们去预测未来的销售单量、预测股票价格、预测期货走势、预测酒店入住等等,这也是我们必须要掌握时序建模的原因。而关于时间戳以及时序值的特征衍生,在建模过程中起到的作用是十分巨大的!之前写过一篇关于日期特征操作的文章——《关于日期特征,你想知道操作都在这儿~》,可以先回顾下,里面有关于日期特征的基础操作手法。
Sam Gor
2022/02/25
1.7K0
时间序列建模的时间戳与时序特征衍生思路
时间序列分析这件小事(六)--非平稳时间序列与差分
之前我们说明了怎么样的时间序列是序列平稳的,但是世界并不是那么美好,很多时间序列都不是平稳序列,所以这里就要求我们做一些处理了。
钱塘小甲子
2019/01/28
3.6K0
Data Science | 时间序列的索引与切片
时间序列的索引方法同样是适用于Dataframe,而且在时间序列中由于按照时间先后排序,故不用考虑顺序问题。
咸鱼学Python
2019/10/09
1K0
时间序列数据库是数据的未来
数据一直是过去十年的金矿,由于其他所有相关领域(例如机器学习和物联网),大数据的增长速度每年都比上一个快。
IT大咖说
2021/01/27
8130
时间序列数据库是数据的未来
【时间序列】时间序列的智能异常检测方案
时间序列异常检测是学术界和工业界一直研究的热点和难点问题。比如腾讯内部开源的Metis项目,其实现思路是基于统计判决、无监督和有监督学习对时序数据进行联合检测。通过统计判决、无监督算法进行首层判决,输出疑似异常,其次进行有监督模型判决,得到最终检测结果。检测模型是经大量样本训练生成,可根据样本持续训练更新。Metis实现的时间序列异常检测学件在织云企业版本中已覆盖 20w+ 服务器,承载了 240w+ 业务指标的异常检测。经过了海量监控数据打磨,该学件在异常检测和运维监控领域具有广泛的应用性。
roganhuang
2020/07/29
22.9K2
【时间序列】时间序列的智能异常检测方案
时间序列数据建模流程范例
最开始在学习神经网络,PyTorch 的时候,懂的都还不多,虽然也知道 RNN, CNN 这些网络的原理,但真正自己实现起来又是另一回事,代码往往也都是从网上 copy 过来然后再自己魔改的,这也就导致了一系列的问题,代码格式不统一,没弄懂具体实现细节等等。当然,凭这些 copy 过来的代码让模型运行起来还是不难的,你只需要知晓一定的原理。显而易见,这些时间往往最后都是要“还”的。
EmoryHuang
2022/10/31
1.2K0
时间序列数据建模流程范例
时间序列数据库概览
背景 目前对于时序大数据的存储和处理往往采用关系型数据库的方式进行处理,但由于关系型数据库天生的劣势导致其无法进行高效的存储和数据的查询。时序大数据解决方案通过使用特殊的存储方式,使得时序大数据可以高效存储和快速处理海量时序大数据,是解决海量数据处理的一项重要技术。该技术采用特殊数据存储方式,极大提高了时间相关数据的处理能力,相对于关系型数据库它的存储空间减半,查询速度极大的提高。时间序列函数优越的查询性能远超过关系型数据库,Informix TimeSeries非常适合在物联网分析应用。 定义 时间
用户1217611
2018/01/30
2.5K0
时间序列数据库概览
数据挖掘之时间序列分析[通俗易懂]
1、时间序列分析之前,需要进行序列的预处理,包括纯随机性和平稳性检验。根据检验结果可以将序列分为不同的类型,采取不同的分析方法。
全栈程序员站长
2022/06/25
2.6K0
数据挖掘之时间序列分析[通俗易懂]
influxdb 时间序列数据库
1、InfluxDB 是用Go语言编写的一个开源分布式时序、事件和指标数据库,无需外部依赖。 基于时间序列,支持与时间有关的相关函数(如最大,最小,求和等) 可度量性:你可以实时对大量数据进行计算 基于事件:它支持任意的事件数据 1)无结构(无模式):可以是任意数量的列 2)可拓展的 3)支持min, max, sum, count, mean, median 等一系列函数,方便统计 4)原生的HTTP支持,内置HTTP API 5)强大的类SQL语法 6)自带管理界面,方便使用 2、安装: rpm -ivh https://dl.influxdata.com/influxdb/releases/influxdb-0.13.0.x86_64.rpm 3、启动: sudo service influxdb start 4、客户端: 在usr/bin里使用influx即可登入Influx服务器。也可以将路径加入环境变量中,这样既可在任意地方使用influx。 InfluxDB自带web管理界面,在浏览器中输入 http://服务器IP:8083 即可进入web管理页面。 5、基本概念: database 数据库 measurement 表 point 表中的一行数据 point由time(自动生成的时间戳),field数据,tags由索引的数据 series所有在数据库中的数据,都需要通过图表来展示,而这个series表示这个表里面的数据,可以在图表上画成几条线:通过tags排列组合算出来。 6、基本操作: 客户端命令行、HTTP API、各语言API库 show databases; create database test drop database test use test
用户5760343
2022/05/14
1.2K0
influxdb 时间序列数据库
时间序列数据分析的部分综述
时间系列研究的是gene表达的动态行为。鉴定静态实验的差异表达gene已经做了很多的工作。但是因为gene表达是动态的调控过程,所以鉴定并且找出gene表达随时间的表达变化也非常重要。这篇文章,我们呈现一个总体的统计学方法,来鉴定随时间变化的差异表达gene。 对于数据系列的微阵列数据,有几种聚类方法应用的很好,包括有等级聚类,基于主成份分析的聚类,基于贝叶斯模型的聚类,kmeans聚类曲线。但是,这些聚类方法中没有一种可以直接应用于鉴定那些随时间变化的有统计学意义的gene。Kmeans聚类方法已经修正来比较两组之间时间系列的表达,但这个模型只适合一次分析几百个gene,因为计算问题。作者开发的这个方法可以用于多个时间点,不受内存的限制。一次可以检测40,000个gene。 作者文章用了两个实验。一个是处理组和非处理组,处理组用内毒素处理,目的是鉴定那些用内毒素处理过的不同时间点的gene表达变化,第二个研究,作者是检查肾脏皮质的差异表达gene,时间系列则是age,也就是看不同年龄,27~9岁。
Y大宽
2018/09/30
1K0
时间序列数据分析与预测之Python工具汇总
在处理时间序列项目时,数据科学家或 ML 工程师通常会使用特定的工具和库。或者他们使用一些众所周知的工具,而这些工具已被证明可以很好地适用与对应的时间序列项目。
数据STUDIO
2022/05/24
2.1K0
时间序列数据分析与预测之Python工具汇总
干货分享 | Pandas处理时间序列的数据
在进行金融数据的分析以及量化研究时,总是避免不了和时间序列的数据打交道,常见的时间序列的数据有比方说一天内随着时间变化的温度序列,又或者是交易时间内不断波动的股票价格序列,今天小编就为大家来介绍一下如何用“Pandas”模块来处理时间序列的数据
用户6888863
2021/07/19
1.7K0
点击加载更多

相似问题

interp1与时间序列的结合

11

如何结合不同粒度的时间序列数据

25

LSTM与CNN在时间序列分类中的结合

22

将A-frame与Three.js结合

14

GLSL 3 ES与three.js的结合

38
添加站长 进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

扫码加入开发者社群
关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例

扫码关注腾讯云开发者公众号
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
查看详情【社区公告】 技术创作特训营有奖征文