Публикации по теме 'time-series-forecasting'
ARIMA против LSTM: сравнительный анализ прогнозирования временных рядов для прогнозирования цен на акции
Широко признанным методом прогнозирования линейных временных рядов является ARIMA (авторегрессионное интегрированное скользящее среднее). Цель этой статьи — дать обзор ARIMA с помощью иллюстрации, ориентированной на финансы, и прояснить важность параметров p, d и q.
Цель состоит в том, чтобы предсказать цены закрытия на следующие несколько дней на основе набора данных с ежедневными ценами акций закрытия. Этот набор данных можно использовать для прогнозирования с использованием модели..
Создание прогнозной модели для цен на акции Google в 2023 году
Используя исторические данные, я стремился создать модель прогнозирования цены акций в этом анализе. Я использовал различные статистические методы и модели машинного обучения для анализа данных и построения прогностической модели.
Сбор и подготовка данных
Я начал со сбора наборов данных о ценах на акции Google или GOOGL, которые были разделены на три части: google-stock-dataset-Daily.csv, google-stock-dataset-Monthly.csv и google-stock-dataset-. Еженедельно. Я собрал информацию..
Прогнозирование с помощью причинно-следственной связи Грейнджера: проверка ложных корреляций временных рядов
Взлом теста причинности Грейнджера с помощью подходов машинного обучения
В прогнозировании временных рядов часто полезно графически проверять имеющиеся данные. Это помогает нам понять динамику явлений, которые мы анализируем, и принимать соответствующие решения. Несмотря на то, что красочный сюжет с нашим временным рядом может быть увлекательным, он может привести к неверным выводам. Временные ряды сложны, потому что часто не связанные между собой события все еще могут визуально..
Временные ряды прогнозирования продаж автомобилей (Catboost + FastAPI + Docker)
Всем привет, Сегодня мы сделаем с вами сквозной проект, используя модель catboost, где мы сможем оценить количество продаж автомобилей в период с июня 2022 года по июнь 2023 года.
Как вы можете видеть на диаграмме выше, сегодня мы запустим модель, созданную с помощью FastAPI и Docker.
Шаги проекта:
1-Понять проблему и изучить набор данных
2- Особенности разработки
3- Создайте модель машинного обучения (Catboost)
4- Создайте FastAPI
5- Разверните Докер
Начинаем наш проект..
Пророк: оценка прогнозирования временных рядов
Прогнозирование временных рядов Prophet на наборе данных Hold-Out
Введение
Анализ временных рядов является важным методом для понимания и прогнозирования точек данных, упорядоченных в хронологическом порядке. ͏Он находит применение в различных областях, включая финансы, экономику, прогнозирование погоды и продажи. Точное прогнозирование временных рядов расширяет возможности принятия решений, позволяет осуществлять упреждающее планирование и помогает понять основные закономерности и..
Прогнозирование временных рядов с помощью ARIMA, часть 2
Анализ временных рядов является важной областью науки о данных, которая занимается анализом точек данных, собранных с течением времени. В этом блоге мы обсудим анализ временных рядов с использованием Python и продемонстрируем его на примере.
Данные временных рядов часто характеризуются тенденциями и шаблонами, которые можно анализировать и моделировать, чтобы делать прогнозы о будущем поведении. Это широко используемый метод в различных областях, таких как финансы, экономика,..
Понимание тенденций временных рядов
Детерминированные тренды против стохастических трендов и как с ними бороться
Обнаружение тренда и работа с ним — ключевой шаг в моделировании временных рядов.
В этой статье мы:
Описать тренд временного ряда и его различные характеристики; Узнайте, как его обнаружить; Обсудите способы борьбы с трендом;
Понимание тенденции
Тренд как строительный блок временного ряда
В любой момент времени временной ряд можно разбить на три части: тренд, сезонность и остаток.
Тренд..
