htsprophet 使用先知的分层时间序列预测 感谢Rob J. Hyndman和研究伙伴，因为大部分代码是在他们的工作帮助下开发的。 归功于Facebook及其fbprophet软件包。 我的目的是使某些代码看起来与Prophet和（Hyndman）hts软件包中的某些部分相似。 正在下载 点安装htsprophet 如果您只想跳过对该程序包进行编码， runHTS.py应该可以帮助您，但是，如果您喜欢阅读，下面的内容应该可以帮助您了解我如何构建htsprophet以及它是如何工作的。 第一部分：数据 我最初使用Redfin流量数据来构建此程序包。 我提取了数据，以便日期在第一列中，层在中间列中，而我要预测的数字在最后一列中。 我制作了一个名为makeWeekly（）的函数，该函数将您的数据汇总到每周级别。 这不是必需的功能，对我来说主要只是方便。 因此数据如下所示：

日期时间位数不够前面加零 转化日期

使用频域-i/频率滤波来积分函数的稳健函数。 边缘锥形用于最小化混叠错误。

怎样修改MATLAB现有代码中数据RNN-VAE 混合预测系统。 使用VAE获取与时间相关的系统的潜在状态。 使用RNN（水库计算机）来发展潜伏力。 VAE可转换为预测。 基于通过MATLAB生成的综合数据 VAE基于现有的python jupyter实现。 通过MATLAB更新RNN。 跑步： 运行Generate.m。 这将获得综合数据。 确保数据放置在root\n='..\n/\n..\n/\ndata\n/\nsynth'下，或修改python笔记本中的路径。 运行VAE.ipynb，第一部分。 这将生成模型参数，包括潜在变量。 将logvarout.csv，muout.csv加载到matlab中，或确保它与RNNClimateVae.m文件位于同一文件夹中 运行RNNClimateVAE.m。 这将对潜在变量生成预测。 每次运行的性能可能会有所不同。 如果性能良好，请在if（false）区域中运行最终代码块以保存预测 运行VAE.ipynb，第二部分。 这将从潜在预测中生成输出预测。 VAE.ipynb还有另外两个部分，需要进一步分析。 第三部分改变一个潜在方向，同时保持其他不变，从而了解

基于二维动态时间规整算法的矩阵相似性研究，李俊杰，高翠芳，在模式识别中距离作为一种常用的度量工具，被广泛应用于聚类、分类等算法中。随着矩阵样本的大量出现，以及样本内容的不断复杂化

针对带模糊需求与模糊时间窗的车辆路径问 题，以总行驶距离、车辆使用数最小化，以及平均客 户满意度最大化为目标，构建基于可信性测度理论 的多目标模糊机会约束模型。改进了交叉算子，在 引入局部优化算法及擂台法则的基础上设计了适合 求解多目标车辆路径问题的混合遗传算法，运行一 次程序可以得到两个或多个 Pareto 非支配解，决策 者可以根据最少车辆数及满意度最大化做出抉择。

本算法为 C++ 实现的 LRU 缓存算法，包含普通 LRU、定时过期的 LRU、不定时过期的LRU，数据结构为双向链表及哈希表结合的方式，实现了 get() 和 put() 两个操作，且所有操作的平均时间复杂度均可以控制在 O(1) 内。

公交车调度模型的matlab代码快速时空扫描 一种用于快速识别导致所需传输线温度变化的喷射位移的算法。 动机 考虑在传输系统操作中可能遇到的两种情况： 电网中有许多可再生能源发电站，其发电量会受到预测的不准确性的影响。 某些管线在其温度极限附近运行。 传输系统运营商想知道较小的预测偏差使网络中的线路达到其温度极限的可能性。 如果可以通过较小的预测偏差将某些线带到其温度极限，那么这些偏差模式将是什么样？ 传输线的工作温度超过其极限温度，操作员必须采取措施减轻过载。 给定一组可控发电机，它们的动作具有不同的成本（权重），那么操作员分配发电以将线路温度回落到可接受水平的最便宜方法是什么？ 尽管它们的物理解释不同，但从技术上讲，这两种情况具有相同的输入和所需的输出： 给定网络数据和一组发电机或负载（假设它们是可变的或可控制的），找到在指定时间范围内使传输线达到某个最终温度的最小变化集。 此处描述的快速时间扫描算法可以通过求解适当的二次约束二次程序来回答此问题。 该算法无需依赖黑盒求解器即可完成此操作。 数学描述 以下数学程序对激励问题进行了简要描述： $$ \ begin {subequati

时间序列分析，PM2.5数据集

ping命令加时间并记录日志,网络故障排查好工具