- 博客(128)
- 收藏
- 关注
RSS订阅原创 用Python实现运筹学——Day 17: 0-1 整数规划
通过本节的 0-1 整数规划案例，我们学习了如何构建并求解 0-1 整数规划问题。0-1 整数规划模型非常适合用于解决选择问题，如投资组合优化问题。x_ix_iii。
2024-10-15 08:00:00
2331
2
原创 用Python实现运筹学——Day 16: 整数规划简介
通过本节的整数规划案例，我们学会了如何使用整数规划解决实际问题，特别是员工排班问题。整数规划能够很好地解决实际中“选择”与“分配”的问题，如排班、资源分配等。
2024-10-14 20:00:00
1513
1
原创 用Python实现运筹学——Day 15: 线性规划的项目实战
通过本节的项目实战，我们复习并综合应用了线性规划的基础知识和求解方法，解决了公司资源分配问题。使用 Python 进行建模和求解，可以帮助我们快速高效地找到最优方案。
2024-10-08 08:00:00
1437
原创 用Python实现运筹学——Day 14: 线性规划总结与案例复习
通过复习线性规划的基本知识和高级应用，我们解决了一个多阶段的生产计划问题。在本案例中，我们综合运用了之前学到的线性规划技术，优化了工厂的生产计划，并最小化了总生产和储存成本。
2024-10-07 08:00:00
1599
原创 用Python实现运筹学——Day 13: 线性规划的高级应用
多目标线性规划通过引入多个目标函数来解决更复杂的决策问题。在供应链优化中，我们可能需要同时考虑多个目标，例如生产成本和运输成本的优化。在本案例中，我们采用了加权法，将两个目标函数合并为一个目标函数进行求解。通过调整权重 α\alphaα，我们可以灵活地控制对不同目标的偏好，从而找到最优的决策方案。
2024-10-06 08:00:00
1100
原创 用Python实现运筹学——Day 12: 线性规划在物流优化中的应用
在物流配送中，线性规划被广泛应用于确定最优配送路径。通过定义目标函数（运输成本最小化）和约束条件（需求与供给约束），我们可以使用线性规划模型有效地解决物流优化问题。本案例中，我们使用 Python 中的成功求解了一个物流配送问题，找到了最优的配送方案，并最小化了总运输成本。
2024-10-05 08:00:00
2193
原创 用Python实现运筹学——Day 11: 线性规划的实际应用
在物流和运输中，线性规划被广泛应用于解决复杂的运输问题。通过定义目标函数和约束条件，使用线性规划可以确定如何在多个供应点和需求点之间进行最优分配，以最小化运输成本。在本例中，我们利用 Python 中的函数成功求解了一个运输问题，得到了最优的运输计划，并最小化了总运输成本。
2024-10-04 08:00:00
1500
原创 用Python实现运筹学——Day 10: 线性规划的计算机求解
通过使用 Python 中的函数，我们可以轻松地求解线性规划问题。在实际应用中，线性规划广泛用于生产、资源分配、物流等领域。使用linprog工具可以有效解决这些问题并找到最优解。同时，借助线性规划的数学模型，我们可以通过构造目标函数和约束条件对各种实际问题进行建模并求解。
2024-10-03 08:00:00
1505
原创 用Python实现运筹学——Day 9: 线性规划的灵敏度分析
灵敏度分析是线性规划中一个重要的分析工具，通过分析参数变化的影响，帮助决策者了解模型对不同资源和成本变化的反应。在实际应用中，灵敏度分析可以用于资源调度、生产优化等场景，为优化决策提供有效的信息。
2024-10-02 19:46:08
1919
原创 用Python实现运筹学——Day 8: 对偶理论的经济解释
影子价格在经济学和优化问题中有重要的解释作用，它反映了资源的稀缺性和边际价值。通过对偶理论，我们可以通过解决对偶问题来获得资源的影子价格，从而帮助我们优化资源分配决策。在这个生产成本优化问题中，影子价格帮助决策者理解哪些资源对利润的贡献最大，进而决定资源的配置策略。
2024-10-01 08:00:00
1987
原创 用Python实现运筹学——Day 7: 线性规划的对偶理论
通过对偶理论，我们可以用对偶问题来间接求解原问题。对偶问题在经济和资源分配问题中具有重要的解释作用，尤其是影子价格的概念能够帮助决策者理解资源的边际价值。在供应链优化问题中，通过对偶问题求解，我们可以找到如何分配资源以使总成本最小化。
2024-09-30 08:00:00
1726
原创 用Python实现运筹学——Day 6: 单纯形法求解过程
通过单纯形法，我们可以有效地解决运输问题，并优化资源的分配。单纯形法通过迭代过程逐步找到最优解，适用于多变量、多约束的线性规划问题。在这个案例中，单纯形法帮助我们最小化了运输成本，找到了一种最佳的运输分配方案。
2024-09-29 08:00:00
2712
原创 用Python实现运筹学——Day 5: 单纯形法介绍
通过单纯形法，我们可以有效地求解线性规划问题，尤其是在有多个决策变量和约束条件时。单纯形法通过迭代寻找可行解空间中的最优解，能帮助我们快速找到使目标函数最大化或最小化的解。在实际应用中，单纯形法广泛应用于资源分配、生产优化、物流调度等领域。
2024-09-28 08:00:00
1146
原创 用Python实现运筹学——Day 4: 线性规划的几何表示
通过图解法，我们可以直观地理解线性规划的几何性质。可行解空间是由约束条件定义的区域，而最优解通常位于这个空间的某个顶点。图解法适用于两个变量的问题，是学习线性规划几何表示的有效方式。
2024-09-27 08:00:00
1294
原创 用Python实现运筹学——Day 3: 线性规划模型构建
通过这个案例，我们展示了如何从实际问题中提取线性规划模型。构建模型时，需要明确决策变量、目标函数以及约束条件。该模型求解问题清晰，并且可以通过 Python 实现自动化求解，能够有效地帮助决策者优化资源配置并实现目标（如最大化利润或最小化成本）。
2024-09-26 08:00:00
1448
原创 用Python实现运筹学——Day 2: 线性规划的基本概念
通过这个简单的线性规划案例，我们展示了如何用运筹学方法帮助公司最大化利润。在实际应用中，线性规划广泛用于生产调度、资源分配、物流优化等领域。学习线性规划可以帮助我们解决实际问题中的最优决策问题。
2024-09-25 08:00:00
1604
4
原创 用Python实现运筹学——Day 1: 运筹学的基本概念
通过这个案例，我们了解到如何使用线性规划来求解物流调度问题。这是运筹学的一个典型应用，展示了如何在有限的资源下，通过优化算法最小化成本。此外，线性规划在其他领域（如生产调度、金融投资等）也有广泛的应用。
2024-09-24 08:00:00
1574
3
原创 用Python实现运筹学——Day 0: 学习计划
通过 60 天的学习，我们将系统地掌握运筹学的基础理论、建模方法和应用场景。从线性规划、整数规划到动态规划、网络优化和启发式算法，每个模块都通过理论学习和案例实战进行了深入的探索。学习过程中，还注重了如何将这些模型和方法应用于实际问题中，如物流、供应链、生产调度等。这个计划将帮助你从基础到高级，系统掌握运筹学的核心理论与实践应用，为未来的研究和实际工作打下坚实的基础。
2024-09-23 18:15:38
1008
原创 用Python实现时间序列模型实战——Day 30: 学习总结与未来规划
时间序列数据的基本特征时间序列定义：按时间顺序排列的观察数据，通常具有趋势性、季节性、周期性和随机波动性。平稳性：平稳时间序列的统计特性（如均值、方差）不随时间变化。通过差分、去趋势、去季节性等操作可以将非平稳时间序列转换为平稳时间序列。基本术语：趋势、季节性、周期性、随机性。
2024-09-22 07:30:00
416
原创 用Python实现时间序列模型实战——Day 28-29: 项目报告与展示
在项目展示中，通过图表、代码片段和分析结果的呈现，我们可以清晰传达项目的流程和预测效果。使用不同模型的对比和评估可以帮助我们选择最合适的模型进行时间序列预测。
2024-09-21 07:30:00
841
原创 用Python实现时间序列模型实战——Day 26-27: 时间序列分析项目实战
通过本项目，我们展示了如何使用yfinance获取股票市场数据，并应用多种时间序列模型（ARIMA、SARIMA、LSTM）进行建模与预测。每个模型有其优势和适用场景，在金融领域的应用中可以根据具体数据选择合适的模型。
2024-09-20 08:00:00
761
原创 用Python实现时间序列模型实战——Day 25: 时间序列模型的实际应用
通过本次案例，我们展示了如何在金融领域应用 ARIMA 模型进行时间序列预测。金融市场的时间序列分析具有挑战性，但通过时间序列模型，可以有效地捕捉价格中的趋势和波动，为投资决策提供支持。
2024-09-19 08:00:00
1389
1
原创 用Python实现时间序列模型实战——Day 24: 时间序列中的贝叶斯方法
本次案例中，我们使用Pyro和PyTorch构建了贝叶斯时间序列模型，通过贝叶斯推断进行了 LSTM 参数的学习与优化。通过此方法，我们能够为时间序列任务提供具有不确定性估计的预测结果。
2024-09-18 08:00:00
1380
2
原创 用Python实现时间序列模型实战——Day 23: LSTM 与 RNN 模型的深入学习
通过本次案例，我们深入了解了 LSTM 和 RNN 模型的高级优化技巧。双向 LSTM 模型通过从过去和未来两个方向同时进行学习，增强了模型的全局感知能力，而堆叠 LSTM 模型则通过多层堆叠提升了模型的复杂性和表达能力。实际预测效果根据数据和任务的不同可能有所变化。
2024-09-17 08:00:00
1501
原创 用Python实现时间序列模型实战——Day 22: LSTM 与 RNN 模型
通过本次案例，我们学习了如何构建 LSTM 和 RNN 模型进行时间序列预测。LSTM 由于其记忆门机制，能够较好地捕捉长序列中的模式，而传统的 RNN 在处理长序列时容易出现梯度消失问题。通过调节超参数（如隐藏层神经元数量、学习率等），可以进一步优化模型的预测性能。
2024-09-16 16:20:37
2040
原创 用Python实现时间序列模型实战——Day 21: 时间序列中的机器学习方法
通过本次案例，我们学习了如何使用机器学习模型对时间序列数据进行建模与预测，包括随机森林、支持向量机和 LSTM 模型。通过比较它们与传统时间序列模型的预测效果，可以看出在处理复杂、非线性时间序列数据时，机器学习方法具有较好的表现。
2024-09-15 08:00:00
1657
原创 用Python实现时间序列模型实战——Day 20: 时间序列预测的综合练习
通过本次案例，我们综合应用了时间序列分析与预测的多种方法，完成了从数据预处理、模型选择、预测到评估的完整项目流程。我们通过 SARIMA 和 Holt-Winters 模型对航空乘客数据进行了预测，并比较了两个模型的性能。
2024-09-14 08:00:00
1175
原创 用Python实现时间序列模型实战——Day 19: 时间序列中的异常检测与处理
通过不同的方法，我们可以有效检测时间序列中的异常值，并通过多种插值技术处理缺失数据。基于异常检测结果，我们可以决定是删除异常点还是进行插值处理。缺失值的处理方式应根据具体业务场景选择，线性插值通常能提供更平滑的补全结果，而前向填充适用于快速波动的数据。
2024-09-13 08:00:00
2285
原创 用Python实现时间序列模型实战——Day 18: 时间序列中的季节性与周期性预测
通过 SARIMA 和 Holt-Winters 模型，我们能够对带有季节性和周期性特征的时间序列数据进行长期预测。季节性分解帮助我们理解数据的组成部分，而基于周期性模式的模型能够提供准确的预测结果。
2024-09-12 08:00:00
1485
原创 用Python实现时间序列模型实战——Day 17: 时间序列模型的评估方法
通过本次案例学习，我们详细了解了时间序列模型的评估方法，尤其是通过 MAE、MSE 和 RMSE 来衡量模型的预测误差。此外，滚动窗口交叉验证方法在时间序列数据中的应用，可以帮助我们更好地评估模型在不同时间点上的稳定性和预测能力。y_in。
2024-09-11 08:00:00
1216
原创 用Python实现时间序列模型实战——Day 16: 时间序列预测方法
通过使用一步预测、多步预测和滚动预测方法，我们可以为不同场景下的时间序列数据生成合理的预测结果。结合置信区间，我们可以评估预测值的准确性和不确定性。z%5Csigma。
2024-09-10 08:00:00
1974
原创 用Python实现时间序列模型实战——Day 15: 时间序列模型的选择与组合
在本案例中，我们通过 AIC 值选择了最佳的模型，并通过加权组合预测方法，结合了 ARIMA、SARIMA 和 Holt-Winters 模型的预测结果。组合预测能够减轻单一模型可能带来的偏差，通常能提高预测准确性。%202kLkn。
2024-09-09 14:17:58
1433
原创 用Python实现时间序列模型实战——Day 14: 向量自回归模型 (VAR) 与向量误差修正模型 (VECM)
通过 VAR 和 VECM 模型，可以分析多元时间序列中的相互依赖关系。VAR 模型适合用于平稳时间序列，而 VECM 模型则适用于具有协整关系的非平稳时间序列。
2024-09-08 07:30:00
3424
原创 用Python实现时间序列模型实战——Day 13: 自回归条件异方差模型 (ARCH/GARCH)
通过使用 ARCH 和 GARCH 模型，我们能够对金融时间序列的波动性进行有效建模和预测。GARCH 模型的优点在于它能够同时捕捉短期和长期的波动性变化，因此广泛用于金融领域的风险管理和资产定价。
2024-09-07 08:00:00
1622
原创 用Python实现时间序列模型实战——Day 12: 状态空间模型
该模型通过显式地建模时间序列中的潜在状态（即隐藏变量），能够捕捉复杂的动态结构，适用于诸如动态系统、金融市场预测、信号处理等场景。通过这次学习，您掌握了状态空间模型的基本概念及其在时间序列分析中的应用。状态空间模型强大且灵活，适合处理各种复杂的时间序列问题。是一种递归算法，用于估计状态空间模型中的隐藏状态。它通过更新当前的状态估计，结合新的观测数据，生成最优估计。状态空间模型及卡尔曼滤波特别适用于处理噪声较大的系统，并能有效地进行平滑和预测。库中的状态空间模型来构建并分析一个简单的时间序列数据。
2024-09-06 08:00:00
1794
1
原创 用Python实现时间序列模型实战——Day 11: 指数平滑模型
简单指数平滑 (SES)适用场景：适用于没有趋势和季节性波动的平稳时间序列。优点：简单易用，计算量小。缺点：无法处理具有趋势或季节性的序列。霍尔特线性趋势模型适用场景：适用于具有线性趋势但没有季节性的时间序列。优点：能够捕捉线性趋势，适合趋势明显的数据。缺点：无法处理季节性波动。霍尔特-温特斯季节性模型适用场景：适用于具有季节性和趋势的时间序列。优点：能够同时捕捉趋势和季节性波动，是最为灵活的指数平滑模型。缺点：计算量相对较大，模型较复杂。
2024-09-05 08:30:00
3338
原创 用Python实现时间序列模型实战——Day 10: ARIMA 与 SARIMA 模型的综合练习
ARIMA(2, 1, 2) 模型的摘要信息包括模型参数的估计值、标准误差、t 统计量等。AIC 和 BIC 值用于评估模型的优劣。
2024-09-04 08:30:00
1309
原创 用Python实现时间序列模型实战——Day 9: SARIMA 模型的诊断与调整
模型摘要中显示了各参数的估计值、标准误差、t 统计量等信息，以及 AIC/BIC 信息准则，用于评估模型的拟合效果。
2024-09-03 08:30:00
1301
原创 用Python实现时间序列模型实战——Day 8: 季节性ARIMA模型 (SARIMA)
SARIMA 模型SARIMA 模型是扩展了 ARIMA 模型的一种方法，全称为季节性自回归积分滑动平均模型（Seasonal AutoRegressive Integrated Moving Average）。它结合了 ARIMA 模型的非季节性部分和季节性成分，用于处理具有季节性模式的时间序列数据。SARIMA 模型可以表示为是时间的观察值。是非季节性自回归多项式，阶数为。是季节性自回归多项式，阶数为。是非季节性移动平均多项式，阶数为。是季节性移动平均多项式，阶数为。
2024-09-02 13:22:42
4625
2
原创 用Python实现时间序列模型实战——Day 7: ARIMA 模型的诊断与调整
模型摘要中显示了各参数的估计值、标准误差、t 统计量等信息，以及 AIC、BIC 等信息准则，用于评估模型的拟合效果。
2024-09-01 15:30:30
2110
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人