Task02：时间序列规则

最新推荐文章于 2025-05-14 08:30:21 发布
原创 最新推荐文章于 2025-05-14 08:30:21 发布 · 215 阅读 · 0 ·
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。

本文探讨了时间序列预测中规则方法的重要性，特别是在比赛场景下，好的规则甚至能媲美复杂模型。文章详细介绍了时间序列预测的基本步骤，包括除以周均值、取中位数等，并讨论了如何优化周期因子和base值，以提高预测精度。

Task02：时间序列规则

规则做预测的重要性

		我感觉能写好规则的人都很厉害，有一次拍拍贷的比赛，我队友一个规则的成绩跑平了lgb的好多模型，直接进入复赛。还是这个队友在cikm2019大规模推荐比赛中，用自己写的规则进入前50，差点弄过了我的协同过滤。据我所知拍拍贷的第一可以用规则，机器学习以及nn都达到第一的分数。

时间规则的基本方法

在这里插入图片描述
第一步: 除以周均值，得到一个比例。
第二步: 按列取中位数。
在这里插入图片描述
预测时，以100为base，得到下表
在这里插入图片描述

针对周期因子的优化

	可以使用平均值和中位数，然后将均值和中位数融合。比例按照测试集的表现进行确定。也可以依据与周期的时间距离来赋予不同的权重。

针对base的优化

在这里插入图片描述
结果＝第三周/中位数;直接用最后一周的平均客流量作为base并不一定是最好的方法。也许最后三天或最后五天的均值能更好的反映最新的情况。但是，我们不能直接对最后三天客流量取均值（最后三天是周末，这样取的base就偏大了）。需要去掉周期性因素后，再取平均。具体做法，就是用客流量除以周期因子。
这样我们就可以取最后三天的平均，(108+91.4+120)/3=106.5，作为base。具体取多少天的，也要通过测试集的表现来确定。当然也可以按某些函数形式来给每天赋予不同的权重。

https://www.jianshu.com/p/31e20f00c26f

supermanwasd
关注
时间序列数据挖掘：预测未来趋势的5种方法
AI天才研究院
05-03 1320
在数字化时代，时间序列数据（如股票价格、用户流量、设备传感器数据）已成为企业决策的核心资产。本文聚焦时间序列数据挖掘中的预测技术，深入解析5种主流方法的技术原理、实现细节和应用场景，帮助技术人员和数据科学家根据实际需求选择最优方案。内容覆盖从数据平稳性分析到深度学习模型训练的完整流程，包含数学公式推导、代码实现和实战案例。基础理论：时间序列核心概念与数据预处理方法核心方法：5种预测技术的原理、算法与代码实现实战应用：完整项目案例演示与结果分析扩展资源：工具、文献与前沿趋势总结时间序列。
时间序列预测 | Python实现LightGBM模型时间序列预测
前程算法屋的博客
04-10 4131
时间序列预测 | Python实现LightGBM模型时间序列预测 目录时间序列预测 | Python实现LightGBM模型时间序列预测基本介绍程序设计总结 基本介绍 创建一个基于LightGBM并且适合个人使用的时间序列的快速建模程序. 程序设计 在查看单变量空间中树的其他实现时都会看到一些特征工程，例如分箱、使用目标的滞后值、简单的计数器、季节性虚拟变量，也许还有傅里叶函数。 这对于使用传统的指数平滑等方法是非常棒的。但是我们今天目的是必须对时间元素进行特征化并将其表示为表格数据以提供给树型模型
Task02 时间序列规则
qq_33253721的博客
08-20 352
1 时间序列规则 1.1 为什么要重视规则 很多比赛都可基于对背景的理解和数据分析获得有用规则，通过“ if A then B等方式设计基准方案。 在企业、公司里也常采用基于规则的方案。 对于本次赛题，我们需要从过去的数据预测未来的数据，从预测的角度说，周期性是核心。 1.2 基于周期因子的时间序列预测 假设给定下面的数据，任务是预测第四周每天的客流量。 . 周一 周二 周三 周四 周五 周六 周日 周均值 第一周 20 10 70 50 250 200 100 100 第二周 26 1
基于树的时间序列预测（LGBM）
mnwl12_0的博客
05-06 2460
梯度提升模型特别适用于处理复杂的数据集，可以处理大量特征和特征之间的交互，并且对过度拟合也很稳健，同时能够处理缺失值。在大多数时间序列预测中，尽管有Prophet和NeuralProphet等方便的工具，但是了解基于树的模型仍然具有很高的价值。ARIMA 模型使用过去的值来预测未来的值，因此过去的值是重要的候选特征，可以创建许多滞后回归因子。创建基于时间的特征，包括日期、星期、季度等各种特征，通过 pandas series 的 "date" 类中提供的一系列函数，可以轻松实现这些需求。
利用lightgbm进行多元时间序列预测
大鱼的博客
09-25 1万+
思路和上一篇xg一样，也是同样的一个数据集，只是换成了lightgbm import pandas as pd train_sales = pd.read_csv('C:\\Train\\train_sales_data.csv',header=0) train_search = pd.read_csv('C:\\Train\\train_search_data.csv',header=0...
利用随机森林进行多元时间序列的预测
大鱼的博客
09-25 1万+
思路个前面的两篇一致（xg,lgbm），只是换了一个数据集，感兴趣的小伙伴可以将这个代码换成之前的数据集，这里我是预测为了7天的数据，利用一年的数据。另外采用的调参方式也进行了改变，这次不是hyperopt，也是gridsearch import pandas as pd import gc from numpy import nan from numpy import isnan f...
基于ANN和LSTM的时间序列预测
weixin_42608414的博客
02-15 1万+
如何使用python开发一个基于Keras+ANN+LSTM的时间序列预测程序? 本文的目的是解释人工神经网络（ANN）和长期短期记忆递归神经网络（LSTM RNN），使您能够在现实生活中使用它们，并为预测时间序列构建最简单的ANN和LSTM递归神经网络。 数据 股票代码VIX是著名的芝加哥期权交易所波动率指数,它是衡量S&P500(标准普尔500)指数期权并预示股市波动预期的一种流...
Spark报错「Task not serializable」：闭包序列化与Kryo注册的实践指南
shejizuopin的博客
05-14 1137
关键避坑点避免直接引用类成员mapfilter等算子内部应避免直接引用当前类的成员变量或方法，尤其是包含等不可序列化对象的类。谨慎使用第三方库对第三方库的对象，需确认其是否实现接口，否则需通过广播变量或独立对象封装。优先使用Kryo序列化在生产环境中，建议默认启用Kryo序列化，并注册所有自定义类型，以避免序列化性能瓶颈。
Task02:文本预处理；语言模型；循环神经网络基础
Mod_13的博客
02-18 825
Task02: 文本预处理；语言模型；循环神经网络基础 1、文本预处理 摘要：自然语言处理NLP（Natural Language Processing），顾名思义，就是使用计算机对语言文字进行处理的相关技术。在对文本做分析时，我们一大半的时间都会花在文本预处理上，而中文和英文的预处理流程稍有不同。 文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理...
【PyPOTS时间序列】Task1（Datawhale）
m0_73602417的博客
05-13 916
本文介绍了PyPOTS工具包在处理部分观测时间序列（POTS）中的应用，旨在优化航天比赛中的代码。PyPOTS是一个开源Python工具箱，专注于处理包含缺失值的时间序列数据，支持插补、分类、聚类和预测等任务。文章详细阐述了时间序列数据的特性、PyPOTS的核心功能及其生态系统，包括TSDB、PyGrinder、BenchPOTS和BrewPOTS等组件。此外，文章还解读了相关论文，强调了PyPOTS的全面性、易用性和可扩展性，并提供了未来发展方向。通过PyPOTS，用户可以高效处理不完整时间序列数据，提升
Datawhale数学建模打卡-Task3时间序列与投资模型
2302_77608969的博客
08-04 1324
移动平均法是用一组最近的实际数据值来预测未来时间序列的一种常用方法。移动平均法适用于短期预测。当序列需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均。移动平均法是一种简单平滑预测技术，它的基本思想是：根据时间序列资料、逐项推移，依次计算包含一定项数的序列平均值，以反映长期趋势的方法。
【时间序列预测实战】【特征工程与建模】
zyuPp的博客
08-24 1732
特征工程与建模 特征工程介绍 特征工程的作用 基于数据分析与探索提起潜在有价值的特征 特征的重要性： 如果特征构建越好，模型的性能会越出色，简单且灵活性强 特征提取 特征提取： 多数是采用统计手段分析，找到业务相关的点，最终形成特征 例子1：箱型图分析，交易量与星期有关，最终得到7个0-1类型的特征（是否为周一、周二…） 例子2：点线图分析，用户星级、用户职业与是否交易有关，可考虑离散化特征 离散型特征的好处 可用于设计规则 易于模型拟合，特别是以树模型为baseline 便于
LazyProphet：使用 LightGBM 进行时间序列预测
deephub
03-07 5619
当我们考虑时间序列的增强树时，通常会想到 M5 比赛，其中前十名中有很大一部分使用了 LightGBM。但是当在单变量情况下使用增强树时，由于没有大量的外生特征可以利用，它的性能非常的糟糕。 首先需要明确的是M4 比赛的亚军 DID 使用了增强树。但是它作为一个元模型来集成其他更传统的时间序列方法。在 M4 上公开的代码中，所有标准增强树的基准测试都相当糟糕，有时甚至还达不到传统的预测方法。下面是Sktime 包和他们的论文所做的出色工作[1]： 任何带有“XGB”或“RF”的模型都使用基于树的集成。在上
时间序列学习（5）：ARMA模型定阶（AIC、BIC准则、Ljung-Box检验）
热门推荐
lucialucia的博客
09-05 7万+
时间序列学习（5）：ARMA模型定阶（AIC、BIC准则、Ljung-Box检验）1、信息量准则2、寻找对数收益率序列的最佳阶数3、构建模型4、模型评估 第3篇笔记给出了一个较为复杂的模型ARMA，它是AR和MA模型的组合。 如果要用ARMA模型对时间序列进行建模，那么首先得确定模型的AR和MA两部分的阶数(p,q)(p,q)(p,q)；确定好阶数后，我们就可以通过回归或者简单的最小二乘法来进一步确定模型的参数。 所以，首先我们得确定模型的阶数。 确定阶数其实可以直接从前面介绍的相关图中通过“截尾”及“拖尾
定时任务的时间规则
游戏天堂_java
12-25 2927
http://www.docjar.com/docs/api/org/quartz/CronTrigger.html "0 0 12 * * ?" 每天中午12点（中午） "0 15 10 ? * *" 每天上午十点十五分 "0 15 10 * * ?" 每天上午十点十五分 "0 15 10 * * ? *" 每天上午十点十五分 "0 15 10
数据比赛常用预测模型：LGB、XGB与ANN
Kanny
06-19 3万+
现在的比赛，想要拿到一个好的名次，就一定要进行模型融合，这里总结一下三种基础的模型： - lightgbm：由于现在的比赛数据越来越大，想要获得一个比较高的预测精度，同时又要减少内存占用以及提升训练速度，lightgbm是一个非常不错的选择，其可达到与xgboost相似的预测效果。 - xgboost：在lightgbm出来之前，是打比赛的不二之选，现在由于需要做模型融合以提高预测精度，所以也...
Cron表达式格式
u014414110的博客
02-16 2487
1. Cron表达式格式 Cron表达式是一个字符串，字符串以5或6个空格隔开，分为6或7个域，每一个域代表一个含义，Cron有如下两种语法格式： （1）Seconds Minutes Hours DayofMonth Month DayofWeek Year （2）Seconds Minutes Hours DayofMonth Month DayofWeek 每一个域可出现的字符如下： Se...
时间序列预测方法汇总：从理论到实践（附Kaggle经典比赛方案）
lsxxx2011的专栏
04-24 2119
作者 | Light，学校 | 中国科学院大学知乎链接：https://zhuanlan.zhihu.com/p/471014006编辑：Python数据科学大家好，我是东哥。分享一篇时间序列方法汇总的干货文章，理论、实践全包括，附案例和实战链接。时间序列是我最喜欢研究的一种问题，这里我列一下时间序列最常用的方法，包括理论和实践两部分。理论部分大多是各路神仙原创的高赞解读...
哈工大编译原理实验项目一个面向计算机科学与技术专业学生及编译技术初学者的综合性实践平台旨在通过系统化模块化的实验设计深入理解编译器的前端与后端处理流程涵盖词法分析语法分.zip
最新发布
12-10
哈工大编译原理实验项目一个面向计算机科学与技术专业学生及编译技术初学者的综合性实践平台旨在通过系统化模块化的实验设计深入理解编译器的前端与后端处理流程涵盖词法分析语法分.zip
gantt_data= [ {'Task': 'PSR01', 'Start': '2025-02-01 0:00:00', 'Finish': '2025-02-01 0:40:00', 'Lot_ID': 'C101', 'Step_ID': '390'}, {'Task': 'HCI09', 'Start': '2025-02-01 0:41:00', 'Finish': '2025-02-01 1:01:00', 'Lot_ID': 'C101', 'Step_ID': '410'}, {'Task': 'SEM67', 'Start': '2025-02-01 1:01:00', 'Finish': '2025-02-01 1:07:00', 'Lot_ID': 'C101', 'Step_ID': '420'}, {'Task': 'WPES07', 'Start': '2025-02-01 5:53:00', 'Finish': '2025-02-01 6:05:00', 'Lot_ID': 'C101', 'Step_ID': '465'}, {'Task': 'OCD03', 'Start': '2025-02-01 1:10:00', 'Finish': '2025-02-01 1:18:00', 'Lot_ID': 'C101', 'Step_ID': '448'}, {'Task': 'WPES04', 'Start': '2025-02-01 1:18:00', 'Finish': '2025-02-01 1:30:00', 'Lot_ID': 'C101', 'Step_ID': '452'}, {'Task': 'HCI0B', 'Start': '2025-02-01 1:11:00', 'Finish': '2025-02-01 1:31:00', 'Lot_ID': 'C102', 'Step_ID': '410'}, {'Task': 'SEM67', 'Start': '2025-02-01 1:31:00', 'Finish': '2025-02-01 1:37:00', 'Lot_ID': 'C102', 'Step_ID': '420'}, {'Task': 'WPES65', 'Start': '2025-02-01 9:12:00', 'Finish': '2025-02-01 9:24:00', 'Lot_ID': 'C102', 'Step_ID': '465'}, {'Task': 'OCD03', 'Start': '2025-02-01 1:37:00', 'Finish': '2025-02-01 1:45:00', 'Lot_ID': 'C102', 'Step_ID': '448'}, {'Task': 'WPES08', 'Start': '2025-02-01 1:45:00', 'Finish': '2025-02-01 1:57:00', 'Lot_ID': 'C102', 'Step_ID': '452'}, {'Task': 'EPI0k', 'Start': '2025-02-01 7:02:00', 'Finish': '2025-02-01 9:12:00', 'Lot_ID': 'C102', 'Step_ID': '453'}, {'Task': 'PSR03', 'Start': '2025-02-01 2:56:00', 'Finish': '2025-02-01 3:31:00', 'Lot_ID': 'C103', 'Step_ID': '390'}, {'Task': 'HCI0B', 'Start': '2025-02-01 3:31:00', 'Finish': '2025-02-01 3:51:00', 'Lot_ID': 'C103', 'Step_ID': '410'} ] 令gantt_data的的排列方式依照Step_squence=[390, 410, 420, 465, 448, 452, 453]
03-08
例如，用户提供的原始数据中，C101的390在2025-02-01 0:00开始，C103的390在2:56开始，所以在排序后的列表中，C101的390排在C103的390前面，因为它们都属于步骤390，而步骤390在序列的最前面。 同样，步骤410的任务...
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