先知是一种用于基于附加模型预测时间序列数据的过程，其中非线性趋势与每年，每周和每天的季节性以及假期效应相吻合。 它最适合具有强烈季节性影响和多个季节历史数据的时间序列。 先知对于丢失数据和趋势变化具有较强的鲁棒性，并且通常可以很好地处理异常值。 先知在Facebook的许多应用程序中用于生成可靠的计划和目标设定预测。 我们发现，在大多数情况下，它的性能要优于其他任何方法。 我们在Stan中拟合模型，以便您在几秒钟内获得预测。 无需人工即可获得有关杂乱数据的合理预测。 先知对异常值，丢失的数据以及时间序列中的急剧变化具有鲁棒性。
2021-10-16 00:10:34
11.56MB
1
使用tslearn的示例代码。
目的：对波形数据或时间序列数据进行聚类。
tslearn是基于python的机器学习库之一。
tslearn： :
用日语。
使用KShape算法对样本数据执行波形聚类。
必须为算法指定簇数作为参数。这次，我预先检查了数据，并知道有2个类，因此我设置了n_clusters=2 。
有几种检查簇数的方法，但是这次我们使用弯头法进行检查。
其他可能的方法如下。
BIC / AIC
GAP方法
轮廓法
肘法
2021-10-15 12:19:35
130KB
1
带火炬的递归神经网络
有几种模型，例如RNN，LSTM，GRU和双向LSTM / GRU。 我的一个项目与使用LSTM，GRU等从每日天气温度预测数据获得的时间序列数据有关。
数据集下载链接
减少上传文件的容量。 这是所需数据集的下载链接：
2021-10-14 20:32:26
6.33MB
1
概述
基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。
无监督特征选择的直观表示如下所示。
无监督实时点异常检测的直观表示如下所示。
从当地的解释，全球理解与解释的AI树木-从这里动机-
，图片来源-https:
MSDA 1.0.8
什么是MDSA？
MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C
2021-10-11 18:35:00
6.78MB
1
在本次提交中，我们演示了如何在 MATLAB 中处理和清理存储在 Excel 工作表中、以多种格式和多种采样率存储的时间序列数据。 我们从使用“导入工具”从 Excel 表格导入数据开始。 接下来，我们关注如何准备数据以转换为“时间表”数据类型。 我们进一步深入研究了时间表可用的预处理功能，包括将数据集同步到公共时间参考、评估数据质量以及处理重复和缺失数据。 最后，我们显示了变量与行时间的堆叠图。
2021-09-22 19:19:12
6.63MB
1
模数流
Nextflow管道，用于从NCBI SRA下载和处理微生物RNA序列数据
设置
安装
检查的Java 8或更高版本安装使用： java -version
将nextflow下载到当前目录： curl -s https://get.nextflow.io | bash curl -s https://get.nextflow.io | bash
通过运行以下./nextflow run hello测试安装： ./nextflow run hello
安装
为您的数据集准备元数据文件。 使用来获取指定生物的所有元数据。 要附加本地数据，您可以向tsv文件中添加新行，并填写以下各列：
Experiment ：对于公共数据，这是您的SRX ID。 对于本地数据，应使用标准化的ID命名数据（例如ecoli_0001）
LibraryLayout ：要么成对或非单
Platfo
2021-09-17 14:48:17
16KB
1