Итак, у меня есть сезонный временной ряд с двумя переменными «Время» и «Сенсорное измерение», и я хочу предсказать дату, когда эта мера достигнет определенного значения. Может ли кто-нибудь предложить модели/алгоритмы, которые могут помочь (я новичок) PS: Использование python
Временные ряды: прогнозирование того, когда переменная достигнет определенного значения (сезонные данные датчика) python
11.05.2020
- Трудно сказать, не зная намного больше о проблеме. Что измеряет датчик? Есть ли у вас какие-либо представления о возможном генеративном процессе, лежащем в основе данных? Может быть, проверить точечные процессы Пуассона и экспоненциальное распределение в качестве отправной точки. 11.05.2020
- @gowrath Спасибо, датчик измеряет вибрацию вращающегося оборудования в фиксированной точке (отсюда и сезонность), он генерирует форму волны, и мера рассчитывается с использованием преобразования Фурье. 11.05.2020
Ответы:
1
Для данных временных рядов вы можете использовать нейронные сети LSTM или GRU. Они будут проще всего решить вашу проблему.
11.05.2020
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..