（二）天池入门：时间序列实践

最新推荐文章于 2022-08-16 21:37:26 发布
原创 最新推荐文章于 2022-08-16 21:37:26 发布 · 468 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#天池 #时间序列

作者参加了DataWhale组织的天池大赛时间序列实践，因时间有限仅提交了baseline。训练营已结束，但大赛还有近一个月截止。作者记录收获，包括结识伙伴、掌握docker使用、了解大赛流程和解题思路，还列出了baseline及后续改良参考资料。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近参加了 DataWhale 组织的天池大赛时间序列实践，无奈社畜一枚，时间不多，因此在这期间也就只是简单了解，然后提交了其baseline。大赛本来还有将近一个月的时间截止，可是这期训练营今天就结束了。权记下其中的收获，并留之以后续的改进吧。

最后来张图证明我来过吧 : )
在这里插入图片描述

April_0911
关注
时间序列实践
weixin_42797282的博客
03-07 402
目标是预测未来三期传统汽车的销量。 数据背景: 03年到19年第一季度分季度的数据，13年之前只有传统汽车的销量，13年之后是传统汽车+新能源汽车的销量，需要预测未来三期传统汽车的销量～ ps:传统汽车的销量会受到新能源汽车的影响噢~ 链接：https://pan.baidu.com/s/1mvbBtA6MybvBj6PTE1kNbA 提取码：916t 这周的作业不太会用Python做参考了一些...
时间序列实践作业
qq_42183693的博客
03-08 340
本周的实践内容为时间序列，代码如下： 读取数据 import pandas as pd import numpy as np data=pd.read_excel('D:\homework.xlsx') data 调整为按季度统计的数据 def getseason(s): #print(s[5:7]) return s[5:7] data['季度']=data['日期'].app...
time-series-prediction:天池时间序列预测比赛的回购
03-21
2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。
时间序列预测模型---天池资金流入流出
csdn_kelly的博客
03-02 524
一、目标 给出2013年7月1号到2014年8月31号所有用户在该时期内资金的申购信息，预测2014年9月1号到31号每天的申购总额 二、建模流程 1.整合原始信息，将原始数据按天分组并计算日申购总量，并绘制时序的数据图，通过观察时序图，发现数据是非平稳时间序列，接下来进行验证 2.进行单位根平稳检验，p-value>0.05,确定该数据是非平稳时间序列 3.进行白噪声检验，p-value<0.05,排除白噪声 4.将非平稳序列转化为平稳序列： 1.对非平稳时间序列进行时间...
time-series-prediction:天池时间序列预测比赛的回购-源码_transformer股票预测,时间序列预测比赛
04-11
2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。
《天池数据挖掘零基础入门：心跳信号分类预测的EDA分析全过程代码分享》
最新发布
06-17
资源下载链接为： ...在本项目中，我们聚焦于...“datasets”文件夹则包含用于分析的心跳信号数据集，这类数据通常由多个时间序列组成，每个序列代表一个个体在一段时间内的 ECG 记录。分析时需了解 ECG 的生理背景，如波
阿里天池TensorFlow 2.0入门：顺序、函数式与子类化模型详解
本教程是关于阿里天池平台的TensorFlow 2.0教程，主要针对深度学习初学者，讲解如何使用TensorFlow框架搭建神经网络。教程关注了三种不同的网络构建方法：顺序模型、函数式模型和子类化模型。 **1. 顺序模型...
天池-零基础入门数据挖掘-心跳信号分类预测-EDA分析全过程-代码.rar
03-19
这类数据通常由多个时间序列组成，每个序列代表一个个体的一段时间内的心电图（ECG）记录。在分析这类数据时，可能需要理解ECG的生理背景，比如波形的意义（如P波、QRS波群和T波），以及如何从这些波形中提取特征...
阿里云天池龙珠计划：Python入门与实战学习
“天池龙珠计划之Python学习”是为Python入门者设计的一个全面、系统且实践性强的学习路径，它不仅教授基础知识，还鼓励学习者参与实战项目，以提升技能和解决实际问题的能力。通过参与这个计划，学习者不仅能掌握...
张海腾：语音识别实践教程
Datawhale
05-08 673
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：张海腾，标贝科技，Datawhale优秀学习者作为智能语音交...
天池历届大赛方案
01-30
天池历届大赛方案。抽奖中的，天池历届大赛答辩PPT与视频。
天池大数据竞赛LSTM预测算法分享
09-28
资源为今年八月份参加天池大数据竞赛a股公司营收预测使用的预处理后的数据和对应的算法文件
时间序列实践-task1
地山谦的博客
02-22 489
1. 赛题介绍 发生在热带太平洋上的厄尔尼诺-南方涛动(ENSO)现象是地球上最强、最显著的年际气候信号。通过大气或海洋遥相关过程，经常会引发洪涝、干旱、高温、雪灾等极端事件，对全球的天气、气候以及粮食产量具有重要的影响。准确预测ENSO，是提高东亚和全球气候预测水平和防灾减灾的关键。 本次赛题是一个时间序列预测问题。基于历史气候观测和模式模拟数据，利用T时刻过去12个月(包含T时刻)的时空序列（气象因子），构建预测ENSO的深度学习模型，预测未来1-24个月的Nino3.4指数，如下图所示： 2. 数据介
时间序列实践教程总结！
Datawhale
08-16 398
Datawhale干货作者：鱼佬，武汉大学硕士，Datawhale成员本文基于Datawhale和科大讯飞发起的学习项目，以讯飞新能源汽车电机温度预测赛事为背景，从实践思路到代码实现，做了详细解读，希望帮助初学者更好地入门时间序列实践。实践思路解读赛题背景作为电动汽车和混合动力汽车的主要驱动核心，永磁同步电动机常常面临着运行温度过高的问题。该问题会导致永磁体退磁以及线路损伤等危险，从而导致驱动...
阿里AI天池大赛-资金流入流出预测-基于周期因子的时间序列预测
chongfa2008的博客
08-05 1180
1：报名地址 https://tianchi.aliyun.com/competition/entrance/231573/score 2：排名分数 3：模型源码 废话不多说，直接上源码 import pandas as pd #数据加载 data=pd.read_csv('./user_balance_table.csv') data #给数据添加时间维度 def add_timestamp(data): #时间格式转换 data['report...
CV入门天池零基础入门赛事-笔记
qq_21318167的博客
05-23 400
1.赛题 零基础入门CV赛事- 街景字符编码识别 链接：https://tianchi.aliyun.com/competition/entrance/531795/information 1.1.数据 赛题源自Google街景图像中的门牌号数据（The Street View House Numbers Dataset, SVHN），根据一定方式采样得到比赛数据集，该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；测试集
【天池时间序列】时间序列比赛提交
Arvil_star_liu的博客
02-25 269
由于我比较缺乏时间序列相关的知识，故本次只能按照群里的说明进行了Docker入门场的提交，我的学习笔记链接如下： https://blog.youkuaiyun.com/Arvil_star_liu/article/details/113922552 然后我又参考了群里同学的笔记，按照笔记提交了自己的比赛并且获得了成绩(虽然是负分) 总体来说这次参与让我对天池大赛的流程有了详细认识，希望自己可以恶补相关知识，争取下次比赛可以自己独立完成 ...
Datawhale组队学习202102--时间序列实践（天池大赛）--Docker练习场
weixin_39251985的博客
02-20 256
win10家庭版安装Hyper-V https://blog.youkuaiyun.com/weixin_37695006/article/details/91589895
天池 - 资金流入流出预测-基于周期因子的时间序列预测
weixin_45701324的博客
08-22 621
学习资料： https://github.com/ChuanyuXue/The-Purchase-and-Redemption-Forecast-Challenge-baseline 之前接触的时间序列，一般是使用ARMA模型进行预测，基于周期因子的方法，是第一次接触到，经过两天的简单沉淀下学习心得： 1.使用前提：数据可以有周期性，但总体趋势需要相对平稳（时间从14年3月开始使用的原因） 2.该方法的核心是周期因子和base值： 周期因子的一般计算方法根据历史数据计算每天(周一至周日的维度)的均值，再
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值