Python用ARIMA和SARIMA模型预测销量时间序列数据
最近我们被客户要求撰写关于预测销量时间序列的研究报告。指数平滑模型是基于对数据趋势和季节性的描述，而ARIMA模型则是为了描述数据的自相关性。
Search Results: 时间序列
R语言线性回归和时间序列分析北京房价影响因素可视化案例
房价有关的数据可能反映了中国近年来的变化：
R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据
本文演示了在时间序列分析中应用分布滞后线性和非线性模型（DLMs和DLNMs）。
R语言广义相加模型 (GAMs)分析预测CO2时间序列数据
环境科学中的许多数据不适合简单的线性模型，最好用广义相加模型（GAM）来描述。<
Python | ARIMA时间序列预测模型
时间序列 被定义为一系列按时间顺序索引的数据点。时间顺序可以是每天，每月或每年。
R语言ARIMA，SARIMA预测道路交通流量时间序列分析:季节性、周期性
本文从实践角度讨论了季节性单位根。
ARIMA模型预测CO2浓度时间序列-python实现
时间序列为预测未来数据提供了方法。根据先前的值，时间序列可用于预测经济，天气的趋势。
R语言基于递归神经网络RNN的温度时间序列预测
在本文中，我们将介绍三种提高循环神经网络性能和泛化能力的高级技术。
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。
R语言神经网络模型预测车辆数量时间序列
具有单个隐藏层和滞后输入的前馈神经网络，可以用于预测单变量时间序列。
使用Python中Keras的LSTM递归神经网络进行时间序列预测
最近我们被客户要求撰写关于时间序列预测的研究报告。时间序列预测问题是预测建模问题中的一种困难类型。
【视频讲解】R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
时间序列分析是统计学中的一个主要分支，主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值。时序分析有两种方法，即频域和时域。
R语言ARIMA集成模型预测时间序列分析
本文我们使用4个时间序列模型对每周的温度序列建模。
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测
电力负荷预测是电网规划的基础，其水平的高低将直接影响电网规划质量的优劣。
R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据
根据我们对温度的预测，我们可以预测电力消耗。
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测。
R语言计量经济学与有时间序列模式的机器学习预测
由于目标是预测理赔频率（以评估保险费水平），因此他建议使用旧数据来训练该模型，并使用最新数据对其进行测试。问题在于该模型没有包含任何时间模式。
R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用
最近，我们继续对时间序列建模进行探索，研究时间序列模型的自回归和条件异方差族。我们想了解自回归移动平均值（ARIMA）和广义自回归条件异方差（GARCH）模型。它们在量化金融文献中经常被引用。
用R语言中的神经网络预测时间序列：多层感知器和极限学习机
对于此示例，我将对R中的时间序列进行建模。我将最后24个观察值保留为测试集，并将使用其余的观察值来拟合神经网络。
R语言时间序列数据指数平滑法分析交互式动态可视化
R语言提供了丰富的功能，可用于绘制R中的时间序列数据。
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
使用ARIMA模型，您可以使用序列过去的值预测时间序列。
python3用ARIMA模型进行时间序列预测
ARIMA模型是一种流行的且广泛使用的用于时间序列预测的统计方法。
使用R语言随机波动模型SV处理时间序列中的随机波动率
采样函数svsample需要其输入数据y是数值向量，而且没有任何缺失值（NA），如果提供其他任何内容，则会报错。
R语言中使用多重聚合预测算法（MAPA）进行时间序列分析
第一估计模型在每个时间聚合级别的拟合度，还提供已识别ETS的可视化。
R语言大数据分析纽约市的311万条投诉统计可视化与时间序列分析
R语言大数据分析纽约市的311万条投诉统计可视化与时间序列分析
R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析
经济时间序列的分析通常需要提取其周期性成分。
【视频】在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
在绘制的时间序列中可以看到两个主要的季节性：每日和每周。我们在一天中有48个测量值，在一周中有7天，因此这将是我们用来对响应变量进行建模的自变量–电力负荷。
在Python中使用LSTM和PyTorch进行时间序列预测
诸如长期短期记忆网络（LSTM）之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。
用Prophet在Python中进行时间序列预测
用Prophet在Python中进行时间序列预测
R语言中的prophet预测时间序列数据模型
R语言中的prophet预测时间序列数据模型
Prophet在R语言中进行时间序列数据预测
您将学习如何使用Prophet（在R中）解决一个常见问题：预测公司明年的每日订单。
卡尔曼滤波器：用R语言中的KFAS建模时间序列
ARIMA等传统模型有一个主要缺点 – 它们通常不会解释“冲击”或时间序列的突然变化。
Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力负荷数据
LSTM（或长期短期存储器网络）允许分析具有长期依赖性的顺序或有序数据。当涉及到这项任务时，传统的神经网络不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。
R语言混合时间模型预测对时间序列进行点估计
R语言混合时间预测对时间序列进行点估计
R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据
在本文中，我将介绍ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型如何用于预测给定的时间序列数据。
R语言时间序列和ARIMA模型预测拖拉机销售的制造案例研究
本文是我们通过时间序列和ARIMA模型预测拖拉机销售的制造案例研究示例。
R语言提取时间序列的周期性成分应用EMD，小波滤波器，Baxter过滤器等
对商业周期的分析需要提取时间序列的周期性成分，该时间序列通常也受到诸如潜在趋势或噪声等其他因素的影响。
R语言时间序列TAR阈值自回归模型
为了方便起见，这些模型通常简称为TAR模型。这些模型捕获了线性时间序列模型无法捕获的行为，例如周期，幅度相关的频率和跳跃现象。
时间序列建模三部曲
时间序列建模三部曲
R语言时间序列TAR阈值模型分析
阈值模型用于几个不同的统计领域，而不仅仅是时间序列。
R语言时间序列分析复杂的季节模式
当时间序列数据的频率高于季度或月度时，许多预测程序在分析季节性影响方面遇到了障碍。
R语言对用电负荷时间序列数据进行K-medoids聚类建模和广义加性/相加模型（GAM）回归
通过对用电负荷进行聚类，我们可以提取典型负荷曲线，提高随后的用电量预测的准确性。
Python用广义加性模型GAM进行时间序列分析
每当你发现一个与时间对应的趋势时，你就会看到一个时间序列。
Python时间序列选择波动率预测指数收益算法分析案例
在传统的金融理论中，理性和同质的投资者是核心假设之一，表明每个投资者都有相同的信息，从而做出同样的决定。
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
这次，我们将使用k-Shape时间序列聚类方法检查与我们有业务关系的公司的股票收益率的时间序列。
使用R语言进行时间序列（arima，指数平滑）分析
最近我们被客户要求撰写关于时间序列的研究报告。分析时间序列数据的第一件事就是将其读入R，并绘制时间序列。
R语言arma-garch-copula模型和金融时间序列案例
最近我们被要求撰写关于金融时间序列的arma-garch-copula的调查报告。
R语言估计时变VAR模型时间序列的实证研究分析案例
R语言估计时变VAR模型时间序列的实证研究分析案例
【视频讲解】时间序列分解和异常检测方法应用案例
我们最近有一个很棒的机会与一位伟大的客户合作，要求Business Science构建一个适合他们需求的开源异常检测算法。
R语言用rle，svm和rpart进行时间序列预测
R语言用rle，svm和rpart进行时间序列预测
R语言多元Copula GARCH 模型时间序列预测
和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。
【视频讲解】机器学习助推快时尚精准销售时间序列预测
对于零售行业来说，预测几乎是商业智能（BI）研究的终极问题，单纯从机器学习的角度来说，做到精准预测很容易，但是结合业务提高企业利润却很难。预测精确性是核心痛点。
多元Copula GARCH 模型时间序列预测
多元Copula GARCH 模型时间序列预测
R分布滞后非线性模型DLNM分析某城市空气污染与健康数据：多维度可视化优化滞后效应解读
作为环境健康领域的研究者，我们常面对这样的现实：当某城市连续一周PM10浓度偏高后，呼吸系统疾病就诊量在随后几天逐渐上升——这种“污染当下不显，影响滞后显现”的现象，正是公共卫生研究的核心难题。
视频讲解：ARIMA-LSTM注意力融合模型在A股跨行业预测中应用
在协助券商构建股价预测系统时，团队曾面临高频波动市场的建模困境。传统ARIMA模型对极端行情响应迟滞，单一LSTM模型则存在长期依赖难题。基于该项目实践，我们提出ARIMA-LSTM注意力融合框架，通过双轨协同机制实现预测精度突破。
门槛效应模型Threshold Effect Model分析数字金融指数与消费结构数据
在现代经济发展进程中，数字普惠金融如同一股新兴潮流，悄然改变着金融服务的生态，也深刻影响着居民消费结构。
Python酒店预订数据：随机森林与逻辑回归模型ROC曲线可视化
在数字化运营的浪潮中，酒店行业的预订数据俨然成为一座待开采的金矿。
Python农业气象预测：优化决策树、SHAP模型可解释性、滑动窗口时序分析及交叉验证
在全球气候变化背景下，精准降雨预测已成为农业生产决策的核心需求。作为数据科学工作者，我们在服务农业领域客户时发现，传统数值天气预报模型存在计算复杂、局地预测精度不足的问题，而机器学习黑箱模型又面临决策透明度的挑战。基于此，我们团队在某农业气象咨询项目中，创新性地构建了可解释的降雨预测模型，旨在为种植户提供兼具准确性和透明性的天气决策支持。本专题将围绕该模型的技术路径、实证分析及应用价值展开，系统呈现从数据预处理到业务落地的全链条解决方案。
视频讲解|Python图神经网络GNN原理与应用探索交通数据预测
在数据科学的浩瀚宇宙中，我们如同孜孜不倦的探索者，不断追寻着更高效、精准的数据分析方法。从数据科学家的视角看，数据不仅是一串串数字，更是蕴含着巨大价值的宝藏，等待我们用合适的工具去挖掘。
视频讲解|Stata和R语言自助法Bootstrap结合GARCH对sp500收益率数据分析
在数据科学的浩瀚海洋中，我们如同探索未知宝藏的探险家，不断追寻更精准、更高效的数据分析方法。
专题|LSTM-XGBoost，ARMA-LSTM，LDA-LSTM黄金比特币价格混合预测，蔬菜包发放时空协同调配，知乎综艺评论情感时序洞察
在数字化浪潮席卷各行各业的当下，数据已成为驱动决策的核心要素。
MATLAB贝叶斯超参数优化LSTM预测设备寿命应用——以航空发动机退化数据为例
在工业数字化转型的浪潮中，设备剩余寿命（RUL）预测作为预测性维护的核心环节，正成为数据科学家破解设备运维效率难题的关键。
SARIMA-LSTM融合模型对太阳黑子数量预测分析
本研究以太阳黑子活动数据为研究对象，旨在帮助客户探索其未来走势并提供预测分析。
ARIMA-ETS-LightGBM集成及随机森林在信用卡AMT关联、汇率波动与贷款违约预测中的跨模型协同应用实践
WeChat Tencent QQ email print 由YuChen Bian，ZhiXiang Wan
CNN-LSTM、GRU、XGBoost、LightGBM风电健康诊断、故障与中国银行股票预测应用实例
WeChat Tencent QQ email print 由Duoming Zhu撰写 在风电健康诊断模块，
Python+AI提示词用LSTM和注意力机制的苹果公司股票价格预测
作为数据科学家，我们深知在瞬息万变的金融市场中，准确的预测就如同珍贵的宝藏。随着技术的不断发展，机器学习成为了我们解读市场趋势的有力工具。
Python、R语言南方电网、电力负荷数据多模型构建：分位数回归、GAM样条曲线、指数平滑和SARIMA与预测实践
在数字经济浪潮席卷全球的当下，电力行业正经历着从传统运营模式向数据驱动型模式的深刻变革。
