给定传感器状态间隔的时间序列,如何实现从有监督的训练数据中学习的分类器来检测基于状态间隔序列的事件?为了简化这个问题,传感器状态被简化为true或false。
更新:我在挖掘时间间隔序列上找到了解决类似问题的。在多元时间序列中挖掘层次时间模式的方法是一种新的方法,但它处理的是分层数据。
示例训练数据
下面的数据是事件的训练示例,表示为随时间变化的图形,其中/¯¯¯\表示true状态间隔,\___/表示传感器的false状态间隔。
Sensor | Sensor State over time
| 0....5....10...15...20...25... //
在训练我的预测器时,我遇到了这个错误,我被困在了如何修复它上。
我有两个数据系列,一个有9234行的“目标时间序列数据”和一个"item_id“,另一个是”相关的时间序列数据“,与我只有一个id的行数相同。
我用一个180天的窗口设置de数据,在错误上出现的第二个数字和第一个数字之间的区别是什么,9414-9234= 180。
We were unable to train your predictor.
Please ensure there are no missing values for any items in the related time series, All ite
我一直在阅读关于成对排名的论文,但我不明白的是:
按点排名和成对排名在训练/测试数据上的区别是什么?这是我一直在读的论文:
在这里,它说成对排序中的一个数据点是两个链接之间的不等式:
线路.=。两个链接之间的不平等,这是链接1和2的目标qid:qid特征1和2的值]# info
然而,确实支持像RankNet和RankBoost这样的成对排名器,但是它使用的数据点格式是按点排序的
线路.=。绝对排名,目标qid:qidvalue1value2...# info
我是不是漏掉了什么?
在Azure ML Studio中,我用AutoML准备了一个用于时间序列预测的模型。这些数据在所有数据集中都有一些罕见的差距。我使用以下代码来调用部署的Azure AutoML模型作为web服务: import requests
import json
import pandas as pd
# URL for the web service
scoring_uri = 'http://xxxxxx-xxxxxx-xxxxx-xxxx.xxxxx.azurecontainer.io/score'
# Two sets of data to score, so w