gongdiwudu的专栏

在多变量时间序列分析期间，数据包含随时间推移测量的多个数据。为了管理模型性能，建议进行特征提取，以使模型的数据点更加紧凑。

多变量时间序列是一个在大学课堂上经常被忽视的话题。然而，真实世界的数据通常具有多个维度，我们需要多变量时间序列分析技术。在这篇博客中，我们将通过可视化和 Python 实现 [1] 了解多变量时间序列概念。我假设读者已经知道单变量时间序列分析。如果没有，你可以参考我之前的博客[2]。

在许多机器学习的章节中，常常遇见 HMM ，往往看到它的数学式子后，就当没看到似的跳过去了，其实它的基础理论并不难，尤其是 Markov Chain 在高中数学课本就已经出现过了，但....那么久远的事，相信大家都忘得差不多了，现在一起来回顾一下吧!!

对于时间序列的预测问题，我们知道有参数估计：统计法，神经网络法，也有非参数估计方法，还有一种新型算法，那就是无模型估计算法MLTF。MLTF是个什么概念，本篇将讲述它的起源，详细理论实践，请大家看专业论著。

在瞬息万变的金融市场中，准确的预测就像圣杯一样。当我们寻求更复杂的技术来解释市场趋势时，机器学习成为希望的灯塔。在各种机器学习模型中，长短期记忆（LSTM）网络受到了极大的关注。当与注意力机制相结合时，这些模型变得更加强大，尤其是在分析股票价格等时间序列数据时。本文深入探讨了LSTM网络与注意力机制相结合的有趣世界，重点利用雅虎财经（yfinance）的数据预测苹果公司（AAPL）股价接下来的四根蜡烛的模式。

反距离加权 （IDW） 是一种广泛用于地理信息系统 （GIS） 和环境科学的空间插值技术，用于根据附近位置的值估计任何位置的缺失值。它的基本原理是直观的：离兴趣点近的位置比离目标点远的位置更相似。本文深入探讨了 IDW 的方法、应用、优势和局限性，并深入了解了其在空间分析中的重要性。

在时间序列分析中，通常需要通过考虑先前的值来了解序列的趋势方向。序列中下一个值的近似可以通过多种方式执行，包括使用简单基线或构建高级机器学习模型。

ARIMA 时间序列预测模型非常适合具有趋势和季节性的序列。它是一种被广泛采用的经典模型，通常作为现代深度学习方法基准测试的基准。然而，估计其准确的参数具有挑战性。研究人员和开发人员通常使用包括视觉绘图在内的试错方法。

平稳性是时间序列问题中的一个关键概念。它是指统计属性（如均值、方差和协方差）随时间变化的稳定性。为了建立有效的预测模型并确定时间序列数据中有意义的模式，了解平稳性的概念以及它与时间序列分析中其他关键概念的关系至关重要。

Equidistributed sequence - Wikipedia

一、什么叫编辑距离？在计算语言学和计算机科学中，编辑距离是一种通过计算将一个字符串转换为另一个字符串所需的最小操作数来量化两个字符串（例如单词）之间的不同程度的方法。编辑距离可在自然语言处理中找到应用，其中自动拼写更正可以通过从字典中选择与相关单词有低距离的单词来确定拼写错误单词的候选更正。在生物信息学中，它可用于量化 DNA 序列的相似性，可以将其视为字母 A、C、G 和 T 的字符串。按照维基百科，编辑距离有五种，1）Levenshtein distance，李维斯坦距离；...

在数学中，低差异序列是具有以下性质的序列：对于 N 的所有值，其子序列 x1，...，xN 具有低差异。粗略地说，如果序列中落入任意集合 B 的点的比例接近于与 B 的度量成比例，则序列的差异很小，这在平均情况下会发生（但不是针对特定样本）一个等分布的序列。关于 B 的选择（超球体、超立方体等）以及如何计算每个 B 的差异（通常是标准化）和组合（通常采用最差值），差异的具体定义有所不同。低差异序列也称为准随机序列，因为它们通常用作均匀分布随机...

低差异序列是因为要引入伪随机序列空间而提出的。因为伪随机数虽然可以电脑产生，但是分布不够均匀，在仿真实验中产生不准。比如，用蒙特卡洛算法就要求无论所取空间大小如何，都应该将样本均匀分布在集合中。因此，范德科皮特序列就显得尤其有用。