墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.5k累计阅读
1.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
纯随机性
纯随机性检验
纯随机序列的定义
纯随机性性质
纯随机性检验
纯随机性序列也成为白噪声序列，它满足如下性质：
纯随机数列也是平稳性数据
之所以检验是否满足纯随机性，是为了在检验平稳性数据后排除没有研究价值的数据
时序图（常数均值附近波动），系协方差相关系数（自相关图）才可以确定数据是否可用
纯随机性检验
*原理
*条件
*检验统计量
*辨别原则
纯随机其实是我们时间序列要排除的数据（因为时间点前后没有相关性）
样本数据构造统计检验量 找到统计量对应的分布， 看统计量是否在其分布置信区间内（是，拒接原假设，即符合原分布）
先知道分布特征，再构造统计量
不重要但有必要了解：：：为什么
二、时间序列的预处理
一般情况下，拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型，对不同类型的序列我们会采用不同的分析方法。 一、平稳性检验 1、特征统计量 （1）概率分布 数理统计的基础知识告诉我们分布函数或者密度函数能够完整地描述一个随机变量的统计特征。同样，一个堆积变量族{Xt} 的统计特征也完全由...
Merlion笔记（三）：多变量时间序列预测
在许多情况下，通过提供这些变量的未来值以及过去值，我们可以获得更好的预测。这些变量可以是与目标变量相关的外部因素，通常可以提高模型的预测性能。在多变量时间序列预测中，可以将外生回归变量作为输入，帮助模型捕捉到更多的信息，从而改善预测结果。在这里，我们的任务是预测每周的销售额。我们希望我们的模型能够考虑可能影响消费者需求的变量（例如温度、消费者价格指数和失业率），因为对这些变量的了解可以提高销售预测的质量。在这里，我们先在训练数据上训练初始模型，然后使用滑动窗口的方法获取模型在训练数据上的预测结果。
机器学习实践笔记(三)时间序列数据预测
1、拿到数据咱们开始分析 我们拿到数据的时候，时间序列是数据主要分为四类，1.长期趋势。2.季节变动。3.循环变动 4.不规则数据。 给大家普及下(手动狗头): 1.长期趋势: 长期趋势是在很长时间实践按照某种特定趋势变化。简单来说，就是函数单调递减和函数单调递增。 2.季节变动： 由于自然条件和社会因素的影响，客观现象的统计数值在一年内出现的带有规律性的变化。 3.循环变动： 就是数据表现的是一个循环函数 4.不规则数据： 不规则变动是指由于意外的波动。而且这个意外是不经常的。 具体演示一
eviews时间序列分析课堂笔记
课堂须知： 1、时间序列的平稳性作业正式版已经发布，请在3月3日之前完成。设置了一次重做的机会，取最高分为系统记录分。 2、下周会将单位根检验。涉及到Eviews软件操作。请在平台资料中下载软件并安装。我会在理论课时讲解操作细节 听课（看课件）时多加留意。实验课只给出数据和实验指导，不再另外讲授，请大家知晓。 3、实验报告的相关通知请见实验课。 考勤10%+实验30%+课堂表现10%+期末50%...
【转】时间序列分析——基于R，王燕
《时间序列分析——基于R》王燕，读书笔记 笔记： 一、检验： 1、平稳性检验： 图检验方法： 时序图检验：该序列有明显的趋势性或周期性，则不是平稳序列 自相关图检验：（acf函数）平稳序列具有短期相关性，即随着延迟期数k的增加，平稳序列的自相关系数ρ会很快地衰减向0（指数级衰减），反之非平稳序列衰减速度会比较慢 构...
时间序列及用spss做时间序列分析
使用教材：(很不错的书) 做数据分析时，很多的数据都会有时间的趋势，如销售，预测也是经常会有的工作，很多时候和时间有关的周期性变化(周，月，季度，季节性变化等)都会想到使用时间序列来做预测。 做时间序列分析，以前我自己是从网上找到别人的例子，跟着例子做，但是对其中的原理，模型的调整，得到结果的解读则不甚理解，迷迷糊糊就交差了。幸好没有被深究。 1. 时间序列的概念 时...
时间序列学习笔记-1
对于任何数据分析工作而言，其入手的第一步就是尽可能将数据可视化。图示化数据可以清晰地展现数据的特征，包括数据的形态、异常值、随时间变化情况以及变量间的相互关系。我们在建模和预测时也应尽可能地将图中显示的特征纳入考虑。正如数据类型决定使用什么预测方法一样，数据类型也决定了使用什么图形来展示数据。 本笔记将介绍一些常见的时间序列图示工具，包括时间序列图，自相关图，季节图，散点图等。这些工具可以帮助我们快速了解序列的主要特征，随时间的变动模式。对于时间序列，通常的样本均值，样本方差等等这些常见的描述性统计量意义不
时间序列学习笔记-2-test
kkk。
【实用工具】QQ自动发消息
程序下载：蓝奏云 源代码： #include<Windows.h> #include<bits/stdc++.h> #include<conio.h> using namespace std; void HideWindow() { HWND hwnd; hwnd=FindWindow("ConsoleWindowClass",NULL); if(hwnd) ShowWindow(hwnd,SW_HIDE); return; } int main() { pri
微波传感器 - 从原理到实战，解锁非接触感知新维度
本文深入解析微波传感器的工作原理，重点阐述了其基于多普勒效应的非接触感知机制，并对比了红外、超声波等技术的优劣。通过树莓派Pico与RCWL-0516模块的实战案例，展示了如何构建区域入侵检测器，并探讨了微波传感器在智能家居、工业自动化及汽车电子等领域的广阔应用前景。
Springer期刊LaTeX模板中参考文献格式选择与编译错误的快速修复指南
本文针对Springer期刊LaTeX模板中参考文献编译后显示问号的常见问题，提供了快速修复指南。核心在于正确选择并配置与期刊匹配的参考文献格式文件（.bst），并执行标准的四步编译流程。文章详细解释了问题根源，并给出了从查找正确.bst文件到修改代码、执行编译的完整解决方案，帮助作者高效解决投稿中的技术障碍。
CISP-PTE考前实操练习题
CISP-PTE考前学习练习题目，渗透测试功工程师
Gemini 3.1 Flash本地部署实操：Ollama+Open WebUI零门槛运行指南
大型语言模型（LLM）本地运行是指将模型权重下载至本地设备，通过推理引擎完成离线推理的过程；其核心原理依赖量化压缩（如GGUF格式）与轻量级运行时（如Ollama）实现CPU/GPU高效加载；技术价值在于低延迟响应、数据隐私可控及免网络依赖；典型应用场景包括办公提效（邮件/周报生成）、学生学习辅助、产品原型验证等边缘AI任务；本文聚焦Gemini 3.1 Flash这一面向消费级硬件优化的轻量模型变体，结合Ollama模型管理与Open WebUI图形界面，提供从环境准备、模型拉取到流式对话的完整新手实操路
APS项目大都失败告终？
通过上述分析，APS从二十多年前的流行到如今的实施困境，背后涉及企业自身、供应商、项目管理等原因，既有理论发展的复杂性增加的原因，也有企业对APS期望值过高和误解的因素。APS（Advanced Planning and Scheduling）高级排程系统是一种高度智能化的计划和排程系统，它通过整合各种生产和供应链数据，运用先进的算法和数据模型，根据各种约束条件，如资源限制、交货期、生产能力等，以最优的方式规划和调度生产活动，从而为生产计划提供最优解决方案。高级管理层的支持对于APS项目的成功至关重要。
【大唐杯学习超快速入门】5G技术原理仿真教学——5G网络开通调测与车联网
自用笔记，比较乱。
探索Three.js：利用ShaderMaterial实现动态着色器特效
本文深入探讨了Three.js中ShaderMaterial的应用，指导开发者利用GLSL编写自定义着色器实现动态特效。文章从核心概念GLSL、Uniforms与Attributes讲起，通过创建动态颜色变化平面的实战案例，逐步进阶到实现波纹扩散与动态光影等高级效果，并提供了性能优化与调试技巧，帮助读者掌握创建高性能WebGL视觉特效的关键技能。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
