开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

Netlogo可以支持2D时间序列作为海龟的施力吗？

NetLogo可以支持2D时间序列作为海龟的施力。‌

NetLogo是一个强大的多主体建模仿真工具，‌它支持复杂系统的开发，‌其中海龟和嵌块是NetLogo中的两个核心概念。‌海龟指的是能够在世界中移动的主体，‌而嵌块则是世界中不能移动的主体，‌二维世界被划分为由嵌块组成的网格，‌每个嵌块占据一个矩形小块。‌NetLogo的灵活性和功能使其能够支持各种复杂的模拟场景，‌包括使用2D时间序列作为海龟的施力。‌

虽然直接提及如何使用2D时间序列作为海龟施力的具体步骤或代码的搜索结果并不直接可用，‌但NetLogo的强大功能和广泛的应用领域表明，‌它能够支持这种高级的模拟需求。‌对于如何高效入门复杂系统仿真，‌NetLogo提供了丰富的教程和资源，‌帮助用户理解和掌握其功能和使用方法。‌尽管可能存在一些学习曲线，‌但NetLogo的社区支持和用户手册等资源使得即使是复杂的模拟需求也能够得到满足。

相关搜索:R个时间序列的频率可以大于一年吗？pandas autocorr可以处理不规则的时间序列样本数据吗？我可以对pandas中的无序时间序列索引进行切片吗？我可以基于R中的时间序列中的重复模式创建因子组吗？定时显示(仅限CSS)-我们可以将持续时间作为HTML的一部分传递吗？我有大约2000个数据点，用于多个地点的时间序列预测。我可以在上面应用LSTM模型吗？在flutter中，我大部分时间使用mu手机作为模拟器，但是有一些需要post请求的功能永远不能工作，当我更换手机时，它可以工作吗？php重定向页面报错 php条件语句冒号 php运行机制和原理

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

AAAI 2024 | DiffShape：基于时序 Shapelets 的扩散模型

半监督时间序列分类可以有效地缓解标记数据缺乏的问题。然而，现有的方法通常忽略了模型的解释性，使得人类难以理解模型预测背后的原理。Shapelets是一组具有高度解释性的判别子序列，可用于时间序列分类任务。基于Shapelets学习的方法已显示出有前景的分类性能。遗憾的是，在没有足够的标记数据的情况下，通过现有方法学习的Shapelets通常判别性较差，甚至与原始时间序列的任何子序列都不相似。

01

全面！深度学习时间序列分类的综述！

时间序列分析中的时间序列分类（TSC）是关键任务之一，具有广泛的应用，如人体活动识别和系统监测等。近年来，深度学习在TSC领域逐渐受到关注，具有自动从原始时间序列数据中学习并抽取有意义特征的能力。

01

（二）Superset 1.3图表篇——Time-series Table

本系列文章基于Superset 1.3.0版本。1.3.0版本目前支持分布，趋势，地理等等类型共59张图表。本次1.3版本的更新图表有了一些新的变化，而之前也一直没有做过非常细致的图表教程。

02

（二）Superset 1.3图表篇——Time-series Table

本系列文章基于Superset 1.3.0版本。1.3.0版本目前支持分布，趋势，地理等等类型共59张图表。本次1.3版本的更新图表有了一些新的变化，而之前也一直没有做过非常细致的图表教程。

01

利用VAE和LSTM生成时间序列

随着时间的推移，用于生成的深度学习模型的使用正变得越来越流行。这些类型的模型被称为生成算法，在研究一个参考群体后被用于在各个领域生成新的和不可见的样本。这些技术最著名的应用是在计算机视觉领域，各种应用程序可以生成以前不存在的图像。

04

TODS：从时间序列数据中检测不同类型的异常值

时间序列异常值检测旨在识别数据中意外或罕见的实例。作为数据分析最重要的任务之一，异常值检测在时间序列数据上有多种应用，例如欺诈检测、故障检测和网络安全攻击检测。例如，雅虎 [1] 和微软 [2] 已经建立了自己的时间序列异常值检测服务来监控他们的业务数据并触发异常值警报。在时间序列数据上，异常值可以分为三种情况：逐点异常值、模式（集体）异常值和系统异常值。

01

做时间序列预测有必要用深度学习吗？事实证明，梯度提升回归树媲美甚至超越多个DNN模型

来源：机器之心本文约2600字，建议阅读9分钟在时间序列预测任务上，你不妨试试简单的机器学习方法。在深度学习方法应用广泛的今天，所有领域是不是非它不可呢？其实未必，在时间序列预测任务上，简单的机器学习方法能够媲美甚至超越很多 DNN 模型。过去几年，时间序列领域的经典参数方法（自回归）已经在很大程度上被复杂的深度学习框架（如 DeepGIO 或 LSTNet 等）更新替代。这是因为传统方法可能无法捕获长期和短期序列混合传递的信息，而深度学习方法的思路是掌握数据中的跨时非线性依赖。从结果来看，这些深度学习

01

Shapelet : 一种象形化的时间序列特征提取方法

对时间序列的分析涉及生产生活中的方方面面，像监控告警、股票分析、营销预测等等，很多场景中，我们都有及时掌握海量时序数据中特征，快速决策的需求。传统的统计分析方法能展示时序上宏观的数理信息，然而其趋势的变化（或者说是曲线的走势）才更能说明一些问题，挖掘更多重要直观的价值出来。

01

做时间序列预测有必要用深度学习吗？事实证明，梯度提升回归树媲美甚至超越多个DNN模型

机器之心报道编辑：杜伟、陈萍在深度学习方法应用广泛的今天，所有领域是不是非它不可呢？其实未必，在时间序列预测任务上，简单的机器学习方法能够媲美甚至超越很多 DNN 模型。过去几年，时间序列领域的经典参数方法（自回归）已经在很大程度上被复杂的深度学习框架（如 DeepGIO 或 LSTNet 等）更新替代。这是因为传统方法可能无法捕获长期和短期序列混合传递的信息，而深度学习方法的思路是掌握数据中的跨时非线性依赖。从结果来看，这些深度学习方法不仅优于 ARIMA 等传统方法和梯度提升回归树（Gradien

03

Python时间序列分析简介（1）

实时更新的数据需要额外的处理和特殊照顾，才能为机器学习模型做好准备。重要的Python库Pandas可用于大部分工作，本教程将指导您完成分析时间序列数据的整个过程。

01

在 JavaScript 中新的绘图思路[每日前端夜话0xB8]

我曾经用 Python 海龟图形生成过这个图像，并有用 JavaScript 复制它的强烈冲动。

03

【TS深度学习】递归神经网络

在前面的文章中，我们介绍了循环神经网络，它可以用来处理包含序列结构的信息。然而，对于诸如树结构、图结构等更复杂的结构，循环神经网络就无能为力了。本文介绍一种更为强大、复杂的神经网络：递归神经网络 (Recursive Neural Network, RNN)，以及它的训练算法BPTS (Back Propagation Through Structure)。顾名思义，递归神经网络（巧合的是，它的缩写和循环神经网络一样，也是RNN）可以处理诸如树、图这样的递归结构。

01

TODS：功能强大的多元时间序列异常检测工具

TODS是一个全栈的自动化机器学习系统，主要针对多变量时间序列数据的异常检测。该系统可以处理三种常见的时间序列异常检测场景：点的异常检测（异常是时间点）、模式的异常检测（异常是子序列）、系统的异常检测（异常是时间序列的集合）。TODS提供了一系列相应的算法。

02

时序分析五边形战士！清华提出TimesNet：预测、填补、分类、检测全面领先｜ICLR 2023

---- 新智元报道编辑：LRS 好困【新智元导读】时间序列分析在现实世界中的应用非常广泛，覆盖气象、工业、医疗等众多领域。近期，清华大学软件学院机器学习实验室提出了时序基础模型TimesNet，在长时、短时预测、缺失值填补、异常检测、分类五大任务上实现了全面领先。实现任务通用是深度学习基础模型研究的核心问题，也是近期大模型方向的主要关注点之一。然而，在时间序列领域，各类分析任务的差别较大，既有需要细粒度建模的预测任务，也有需要提取高层语义信息的分类任务。如何构建统一的深度基础模型高效地完

02

多窗口大小和Ticker分组的Pandas滚动平均值

最近一个学弟在在进行数据分析时，经常需要计算不同时间窗口的滚动平均线。当数据是多维度的，比如包含多个股票或商品的每日价格时，我们可能需要为每个维度计算滚动平均线。然而，如果我们使用传统的groupby和apply方法，可能会遇到一些问题。而且也是常见得问题。

01

重新调整Keras中长短期记忆网络的输入数据

你可能很难理解如何为LSTM模型的输入准备序列数据。你可能经常会对如何定义LSTM模型的输入层感到困惑。也可能对如何将数字的1D或2D矩阵序列数据转换为LSTM输入层所需的3D格式存在一些困惑。在本教程中，你将了解如何定义LSTM模型的输入层，以及如何重新调整LSTM模型加载的输入数据。完成本教程后，你将知道: 如何定义一个LSTM输入层。如何对一个LSTM模型的一维序列数据进行重新调整，并定义输入层。如何为一个LSTM模型重新调整多个并行序列数据，并定义输入层。让我们开始吧。教程概述本教程分

04

神经网络在算法交易上的应用系列——简单时序预测

我们想从零实现只基于深度学习模型的交易系统，对于在研究过程中我们遇到的任何问题（价格预测，交易策略，风险管理）我们都将采用不同类型的人工神经网络（ANNS）来解决，同时也会检验它们在处理这些问题的效果到底如何。

02

用于时间序列异常值检测的全栈机器学习系统

时间序列异常值检测旨在识别数据中意外或罕见的实例。作为数据分析最重要的任务之一，异常值检测在时间序列数据上有多种应用，例如欺诈检测、故障检测和网络安全攻击检测。例如，雅虎 [1] 和微软 [2] 已经建立了自己的时间序列异常值检测服务来监控他们的业务数据并触发异常值警报。在时间序列数据上，异常值可以分为三种情况：逐点异常值、模式（集体）异常值和系统异常值。

01

python-for-data-时间序列基础

pandas中的基础时间序列种类是时间戳索引的Series；在pandas的外部则表现为Python字符串或者datatime对象。

01

量化研究--时序分类最新NN框架ShapeNet

ShapeNet_A Shapelet-Neural Network Approach for Multivariate Time Series Classification（AAAI21）

05

一文简述如何为自己的项目选择合适的神经网络

你的预测建模问题适合选择何种神经网络？对于初学者而言，深度学习领域很难知道要使用什么类型的网络。因为有许多类型的网络可供选择，每天都会有新的方法被发布和讨论。

02

pandas 经典操作集锦

pandas 经典操作集锦 # -*- coding:utf-8 -*- # /usr/bin/python __author__ = 'yanerrol' import pandas as pd import numpy as np print(pd.__version__) array = [1,2,3,4] df = pd.DataFrame(array) print('df :\n',df) # 数组转序列 df_series = pd.Series(array) print('df_se

03

时间序列预测全攻略（附带Python代码）

原文作者：AARSHAY JAIN 36大数据翻译，http://www.36dsj.com/archives/43811 时间序列（简称TS）被认为是分析领域比较少人知道的技能。（我也是几天前才知道它）。但是你一定知道最近的小型编程马拉松就是基于时间序列发展起来的，我参加了这项活动去学习了解决时间序列问题的基本步骤，在这儿我要分享给大家。这绝对能帮助你在编程马拉松中获得一个合适的模型。文章之前，我极力推荐大家阅读《基于R语言的时间序列建模完整教程》A Complete Tutorial on Ti

iTransformer：让 Transformer 重回时序预测主流地位？

Transformer 模型在自然语言处理和计算机视觉领域取得了巨大的成功，并成为了基础模型。然而，最近一些研究开始质疑基于Transformer的时间序列预测模型的有效性。这些模型通常将同一时间戳的多个变量嵌入到不可区分的通道中，并在这些时间标记上应用注意力机制来捕捉时间依赖关系。

03

ARIMA、ARIMAX、动态回归和OLS 回归预测多元时间序列

当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。传递函数模型是ARIMA模型的自然推广,Pankratz统称这种包含其它时间序列作为输入变量的ARIMA模型为动态回归。

01

时间序列+Transformer！

Transformer在自然语言处理和计算机视觉领域表现优秀，但在时间序列预测方面不如线性模型。

01

【时序预测】时间序列分析——时间序列的平稳化

将非平稳时间序列转化成平稳时间序列，包含三种类型：结构变化、差分平稳、确定性去趋势。本文脉络框架如下：

06

5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型（附代码）

来源：DeepHub IMBA本文约6700字，建议阅读12分钟本文讨论了5种专门研究时间序列预测的深度学习体系结构。时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练。 Makridakis M-Competitions系列（分别称为M4和M5）分别在2018年和2020年举办（M6也在今年举办了）。对于那些不了解的人来说，m系列得比赛可以被认为是时间序列生态系统的一种现有状态的总结，为当前得预测的理论和实践提供

03

5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型

时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练

01

时间序列表示学习的综述

本文综述了时间序列数据中的通用表示学习方法，提出了一种新颖的分类方法，并讨论了其对提高学习表示质量的影响。文章全面回顾了各种神经网络架构、学习目标和数据相关技术，并总结了常用的实验设置和数据集。

01

用于时间序列预测的最佳深度学习模型总结

Makridakis M-Competitions系列（分别称为M4和M5）分别在2018年和2020年举办（M6也在今年举办了）。对于那些不了解的人来说，m系列得比赛可以被认为是时间序列生态系统的一种现有状态的总结，为当前得预测的理论和实践提供了经验和客观的证据。

02

Prometheus学习笔记_01

本文介绍Prometheus 监控及在k8s集群中使用node-exporter、prometheus、grafana对集群进行监控。实现原理类似ELK、EFK组合。node-exporter组件负责收集节点上的metrics监控数据，并将数据推送给prometheus, prometheus负责存储这些数据，grafana将这些数据通过网页以图形的形式展现给用户。

02

深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列

通过训练具有小型中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。这种神经网络被命名为自编码器_Autoencoder_。

02

DTW和DBA_电台文本

动态时间调整算法是大多用于检测两条语音的相似程度，由于每次发言，每个字母发音的长短不同，会导致两条语音不会完全的吻合，动态时间调整算法，会对语音进行拉伸或者压缩，使得它们竟可能的对齐。

02

适合时空预测的时间序列表示学习方法

最近，中国香港科技大学、上海AI Lab等多个组织联合发布了一篇时间序列无监督预训练的文章，相比原来的TS2Vec等时间序列表示学习工作，核心在于提出了将空间信息融入到预训练阶段，即在预训练阶段考虑各个序列之间的关系。因此，本文提出的方法也更适合作为时空预测领域的预训练模型。下面为大家详细介绍一下这篇文章。

03

了解1D和3D卷积神经网络|Keras

当我们说卷积神经网络（CNN）时，通常是指用于图像分类的2维CNN。但是，现实世界中还使用了其他两种类型的卷积神经网络，即1维CNN和3维CNN。在本指南中，我们将介绍1D和3D CNN及其在现实世界中的应用。我假设你已经大体上熟悉卷积网络的概念。

02

数据库都深度学习了！MIT发布时序数据库tspDB：用SQL做机器学习

---- 点击上方↑↑↑“OpenCV学堂”关注我来源：公众号新智元授权【导读】时间序列预测问题通常比普通机器学习更棘手，不仅需要维持一个增量数据库，还需要实时预测的性能。最近MIT的研究人员发布了一个可以通过SQL创建机器学习模型的数据库，不用再发愁时序数据管理了！人类从历史中学到的唯一教训，就是人类无法从历史中学到任何教训。「但机器可以学到。」 ——沃兹基硕德无论是预测明天的天气，预测未来的股票价格，识别合适的机会，还是估计病人的患病风险，都可能对时间序列数据进行解释，数据的收集则是在

01

用检索的思路做时间序列预测是一种怎样的体验

今天为大家介绍一篇CIKM 2022中比较有意思的时间序列预测论文。这篇论文的独特之处在于，在其他论文都在卷深度学习时序预测模型结构时，这篇文章从检索引入相关数据的角度解决时序预测问题。

01

干货 | 深度多元时序模型在携程关键指标预测场景下的探索应用

doublering，携程高级算法工程师，关注自然语言处理、LLMs、时序预测等领域。

02

时序 Patch 再进化：基于独立策略学习时序Patch特征表示

之前，我们解读过时间序列预测模型中的经典文章PatchTST。事实上，Patch方法目前在时间序列领域几乎等同于attention。

01

矩阵分解就能击败深度学习！MIT发布时序数据库tspDB：用SQL做机器学习

---- 新智元报道编辑：LRS 【新智元导读】时间序列预测问题通常比普通机器学习更棘手，不仅需要维持一个增量数据库，还需要实时预测的性能。最近MIT的研究人员发布了一个可以通过SQL创建机器学习模型的数据库，不用再发愁时序数据管理了！人类从历史中学到的唯一教训，就是人类无法从历史中学到任何教训。「但机器可以学到。」 ——沃兹基硕德无论是预测明天的天气，预测未来的股票价格，识别合适的机会，还是估计病人的患病风险，都可能对时间序列数据进行解释，数据的收集则是在一段时间内对观察结果的记录。

04

一阶差分序列garch建模_时间序列分析

趋势变动：在长时期内按某种规则稳定地呈现出来的持续向上或向下或保持在某一水平。季节变动：在一个年度内重复出现的周期性波动。它是诸如气候条件、生产条件、节假日或人们的风俗习惯等各种因素影响的结果。循环波动：是时间序列呈现出得非固定长度的周期性变动。循环波动的周期可能会持续一段时间，但与趋势不同，它不是朝着单一方向的持续变动，而是涨落相同的交替波动。不规则波动（随机变动）：是许多不可控的偶然因素共同作用的结果，致使时间序列产生一种波浪形或震荡式的变动。

00

了解1D和3D卷积神经网络|Keras

当我们说卷积神经网络（CNN）时，通常是指用于图像分类的2维CNN。但是，现实世界中还使用了其他两种类型的卷积神经网络，即1维CNN和3维CNN。在本指南中，我们将介绍1D和3D CNN及其在现实世界中的应用。我假设你已经大体上熟悉卷积网络的概念。

06

多步时间序列预测策略实战

多步预测的策略通常有两种，即单不预测策略和递归预测策略。时序基础模型 ARIMA 是单步预测模型。那么如何实现多步骤预测？也许一种方法是递归使用同一模型。从模型中得到一个周期的预测结果，作为预测下一个周期的输入。然后，将第二期的预测作为预测第三期的输入。可以通过使用前一期的预测结果来遍历所有时期。这正是递归预测或迭代预测策略的作用。图（A）显示模型首先产

01

时间序列基本概念、任务、预测方法

作者：东哥起飞，来源：Python数据科学本文开启时间序列系列的相关介绍，从零梳理时序概念、相关技术、和实战案例，欢迎订阅 👉「时间序列专栏」跟踪全部内容。本篇介绍时间序列的定义、任务、构成以及预测方法，主要是基本概念的介绍和理解。时间序列定义时间序列，通俗的字面含义为一系列历史时间的序列集合。比如2013年到2022年我国全国总人口数依次记录下来，就构成了一个序列长度为10的时间序列。专业领域里，时间序列定义为一个随机过程，是按时间顺序排列的一组随机变量 ...X_1,X_2,..X_T...

03

python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化|附代码数据

你可能会问，为什么是copulas？我们指的是数学上的概念。简单地说，copulas是具有均匀边缘分布的联合分布函数。

00

时序数据库Apache IoTDB单元与多元时间序列写入与查询性能对比——田原

随着物联网的普及和工业技术的不断发展，高效管理海量时间序列的需求越来越广泛，数据量越来越庞大。时间序列主要分为两种，即单元时间序列和多元时间序列。单元时间序列是指一个具有单个时间相关变量的序列，单元时间序列只包含一列时间戳和一列值。多元时间序列是指一个具有多个时间相关变量的序列，多元时间序列包含多个一元时间序列作为分量，各个一元时间序列的采样时间点相同，所以数据可以用矩阵形式表示，每行为一个时间点，每列为一个一元时间序列。

03

[Deep-Learning-with-Python] 文本序列中的深度学习

深度学习模型可以处理文本序列、时间序列、一般性序列数据等等。处理序列数据的两个基本深度学习算法是循环神经网络和1D卷积(2D卷积的一维模式)。

01

东北电力大学和长春理工大学研究团队提出的一种通过scout ESI和CNN解码EEG运动想象四分类任务的新方法

东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。

02

Apache IoTDB 系列教程-1：数据模型

大家周末快乐！随着最近项目落地，0.10.0 即将发布，准备写一系列教程，今天第一篇，介绍 IoTDB 的数据模型和建模方式。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭