时间预估 mathematica程序 [改]

本文介绍了一种利用一次回归和二次回归分析的方法,通过过往观看记录预测未来剧集的观看时间。该方法基于Wolfram Mathematica实现,并展示了具体的数据处理步骤及预期输出结果。

[新的程序见:http://blog.youkuaiyun.com/barrypp/article/details/7969633]

[旧的程序见:http://blog.youkuaiyun.com/barrypp/article/details/7962401]

基于一次回归和二次回归进行时间预估。具体来讲,基于你之前看连续剧、漫画的时间位置信息,来预测之后第几集什么时候看完。

 

时间预估

基于一次、二次回归运算

说明:其中一次回归运算中,从使用全部数据到仅使用后几个(较新的)数据的计算都有。二次回归运算则使用全部数据。

Created By Barrypp At 20120909235258
Modified By Barrypp At 20120910184110
Modified By Barrypp At 20120910205741

In[343]:= TMfoF = 25; LSN = 24; Data = {{1, 0, 17, 46}, {1, 18, 18, 14}, {2, 0, 18, 
   20}, {2, 16, 18, 38}, {4, 3, 19, 8}, {6, 2, 19, 50}, {7, 2, 20, 12}, {8, 2,
    20, 33}, {9, 4, 20, 58}, {10, 2, 21, 17}, {11, 2, 21, 42}, {12, 2, 21, 
   56}, {13, 2, 22, 7}};
(*
Data的格式为,四个数字一组,示例 {当前集数,已播放时间的分钟数,时间的小时数 (24h),时间的分钟数};
TMfOF是Total Minutes for one File in a collection,每一集的分钟数;
LSN是Last Serial Number in a collection最后一集的集数。
*)
InData = {#1[[1]] + #1[[2]]/TMfoF, #1[[3]] + #1[[4]]/60} & /@ Data;

(*一次回归*)
Expected = 
  LinearModelFit[#1, {x}, x] & /@ NestList[Rest, InData, Length[InData] - 2];

Print["\!\(\*
StyleBox[\"一次回归曲线组:\",\nFontFamily->\"΢ÈíÑźÚ\"]\)"]
Show[ListPlot[InData, Mesh -> Full, Joined -> True, 
  PlotStyle -> Directive[Red, PointSize[Large]]], 
 Plot[Evaluate[Through[Expected[x]]], {x, InData[[1, 1]], LSN + 1}, 
  PlotStyle -> 
   Table[GrayLevel[1 - i/Length[Expected]], {i, 1, Length[Expected]}]], 
 PlotRange -> All, AxesLabel -> {"集数", "时间"}]

(*二次回归*)
Expected2 = LinearModelFit[InData, {x, x^2}, x];

Print["\!\(\*
StyleBox[\"二次回归信息及曲线:\",\nFontFamily->\"΢ÈíÑźÚ\"]\)"]
Expected2["ANOVATable"]
StringForm["\!\(\*SuperscriptBox[\"R\", \"2\"]\)==``", Expected2["RSquared"]]
Normal[Expected2]
Show[ListPlot[InData, Mesh -> Full, Joined -> True, PlotStyle -> Red], 
 Plot[Expected2[x], {x, InData[[1, 1]], LSN + 1}], PlotRange -> All, 
 AxesLabel -> {"集数", "时间"}]

(*时间预计表*)
OutputTable = 
  Table[Prepend[
    StringForm["``:``", IntegerPart[#1], 
       If[(TempX = IntegerPart[60 FractionalPart[#1]]) >= 10, TempX, 
        StringForm["0``", TempX]]] & /@ 
     Through[Append[Expected, Expected2][n]], 
    StringForm["第``集预计开始时间", n]], {n, IntegerPart[InData[[-1, 1]]] + 1, 
    LSN + 1}];
TableForm[PrependTo[OutputTable, 
  Join[{{}, "一次回归"}, 
   Table[StringForm["后``个", i], {i, Length[InData] - 1, 2, -1}], {"二次回归"}]]]

 

环境是  Wolfram Research Mathematica v7.0.1.0

输出结果示例:

 


这是一个基于AI视觉识别与3D引擎技术打造的沉浸式交互圣诞装置。 简单来说,它是一棵通过网页浏览器运行的数字智慧圣诞树,你可以用真实的肢体动作来操控它的形态,并将自己的回忆照片融入其中。 1. 核心技术组成 这个作品是由三个尖端技术模块组成的: Three.js 3D引擎:负责渲染整棵圣诞树、动态落雪、五彩挂灯和树顶星。它创建了一个具备光影和深度感的虚拟3D空间。 MediaPipe AI手势识别:调用电脑摄像头,实时识别手部的21个关键点。它能读懂你的手势,如握拳、张开或捏合。 GSAP动画系统:负责处理粒子散开与聚合时的平滑过渡,让成百上千个物体在运动时保持顺滑。 2. 它的主要作用与功能 交互式情感表达: 回忆挂载:你可以上传本地照片,这些照片会像装饰品一样挂在树上,或者像星云一样环绕在树周围。 魔法操控:握拳时粒子迅速聚拢,构成一棵挺拔的圣诞树;张开手掌时,树会瞬间炸裂成星光和雪花,照片随之起舞;捏合手指时视线会拉近,让你特写观察某一张选中的照片。 节日氛围装饰: 在白色背景下,这棵树呈现出一种现代艺术感。600片雪花在3D空间里缓缓飘落,提供视觉深度。树上的彩色粒子和白色星灯会周期性地呼吸闪烁,模拟真实灯串的效果。 3. 如何使用 启动:运行代码后,允许浏览器开启摄像头。 装扮:点击上传照片按钮,选择温馨合照。 互动:对着摄像头挥动手掌可以旋转圣诞树;五指张开让照片和树化作满天星辰;攥紧拳头让它们重新变回挺拔的树。 4. 适用场景 个人纪念:作为一个独特的数字相册,在节日陪伴自己。 浪漫惊喜:录制一段操作手势让照片绽放的视频发给朋友。 技术展示:作为WebGL与AI结合的案例,展示前端开发的潜力。
【顶级EI复现】计及连锁故障传播路径的电力系统 N-k 多阶段双层优化及故障场景筛选模型(Matlab代码实现)内容概要:本文提出了一种计及连锁故障传播路径的电力系统N-k多阶段双层优化及故障场景筛选模型,并提供了基于Matlab的代码实现。该模型旨在应对复杂电力系统中可能发生的N-k故障(即多个元件相继失效),通过构建双层优化框架,上层优化系统运行策略,下层模拟故障传播过程,从而实现对关键故障场景的有效识别与筛选。研究结合多阶段动态特性,充分考虑故障的时序演化与连锁反应机制,提升了电力系统安全性评估的准确性与实用性。此外,模型具备良好的通用性与可扩展性,适用于大规模电网的风险评估与预防控制。; 适合人群:电力系统、能源互联网及相关领域的高校研究生、科研人员以及从事电网安全分析、风险评估的工程技术人员。; 使用场景及目标:①用于电力系统连锁故障建模与风险评估;②支撑N-k故障场景的自动化筛选与关键脆弱环节识别;③为电网规划、调度运行及应急预案制定提供理论依据和技术工具;④服务于高水平学术论文复现与科研项目开发。; 阅读建议:建议读者结合Matlab代码深入理解模型构建细节,重点关注双层优化结构的设计逻辑、故障传播路径的建模方法以及场景削减技术的应用,建议在实际电网数据上进行测试与验证,以提升对模型性能与适用边界的认知。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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