R 四姑娘山每日客流量爬虫 时间序列建模 ARIMA 指数平滑 TBATS拟合与预测
2024-05-06 10:36:21
一、数据来源
数据来自四姑娘山景区首页新闻的每日客流量发布处，利用python爬虫读取2015年9月29号到2020年6月8日的每日客流量和对应的日期。
import urllib.request
from bs4 import BeautifulSoup
response = urllib.request.urlopen('https://www.sgns.cn/news/number')
soup = BeautifulSoup(response,'html.parser')
numbers0 = soup.find_all(attrs={'headers' : 'categorylist_header_title'})
times0 = soup.find_all(attrs={'headers' : 'categorylist_header_date'})
numbers1=[]
times1=[]
for i in numbers0:n=str(i.text)[21:-10]numbers1.append(n)
for i in times0:t=str(i.text)[8:-6]times1.append(t)page=166for i in range(1,page-1):response = urllib.request.urlopen('https://www.sgns.cn/news/number?start='+str(10*i))soup = BeautifulSoup(response,'html.parser')numbers0 = soup.find_all(attrs={'headers' : 'categorylist_header_title'})times0 = soup.find_all(attrs={'headers' : 'categorylist_header_date'})for i in numbers0:n=str(i.text)numbers1.append(n)for i in times0:t=str(i.text)times1.append(t)
n = len(numbers1)
with open('sgns.txt','w') as f: for i in range(n):f.write(numbers1[i]+','+times1[i]+'\n')接下来分析用R语言
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2)
data0 = read.csv(file = "C:/Users/91333/Documents/semester6/VS code/VScode Python/dgns1.txt",header = FALSE,sep = ",")#接下来进行数据清洗，把数据整理成可用形态
data <- data0[1:10,]
data0<-data0[11:nrow(data0),]
for(i in 1:1640){data[10+i,1]<-data0[(i-1)*3+1,1]data[10+i,2]<-data0[(i-1)*3+3,1]}
data$V1 <- as.numeric(apply(as.data.frame(data$V1), MARGIN = 1,FUN = function(x) {gsub("[^[:digit:]]", "", x)})) # 删掉str中的非数字成分
data$V2 <- ymd(data$V2)
data <- na.omit(data)
colnames(data)<-c("游客数","日期")二、初步探索与数据准备
（一）、缺失值补齐
检查数据时发现数据偶有缺失,1722条观测中共有73个缺失值，为了时间序列预测的完整性，我们直接对73个缺失值进行均值填补。
data1 <- merge(data,data.frame(日期 = seq.Date(from = as.Date("2015/09/29",format = "%Y/%m/%d"),to = as.Date("2020/06/08",format = "%Y/%m/%d"), by = "day")),all.y=T)
sum(is.na(data1$游客数))## [1] 73data1[is.na(data1$游客数),2] <- mean(data$游客数,na.omit=T)（二）、绘图与平稳性检验
ggplot(data)+geom_line(aes(x=日期,y=游客数))
由上图，我们大致可以看出序列平稳，是否真的平稳需要进一步的检验。
下面我们正式进入建模，进行ADF检验，在此之前，我们先删去了2020年之后的数据，从上图也可以看出，疫情对四姑娘山客流量产生了极大的影响，属于非正常情况。
library(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooadf.test(data1$游客数)## Warning in adf.test(data1$游客数): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: data1$游客数
## Dickey-Fuller = -6.3952, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryp<0.01,则接受备择假设序列平稳,可以进行时间序列建模。 ### 三、拟合ARIMA模型 #### （一）、定阶与拟合
我们考虑带有周期性和均值项的ARIMA模型，由于数据为从2015年9月到2019年12月，当考虑周期性，我们可以考虑以7天一周为周期，也可以考虑30天一个月为周期，还可以考虑365天为周期，所以我们都尝试了一遍，并且使用AICc作为最优模型的判断标准。
library(forecast)
data7 <- ts(data1$游客数, frequency = 7)
data30 <- ts(data1$游客数, frequency = 30)
data365 <- ts(data1$游客数, frequency = 365)
fitarima1 <- auto.arima(data7,seasonal = T)
fitarima1#ARMA(1,3)## Series: data7
## ARIMA(2,1,2)(2,0,0)[7]
##
## Coefficients:
## ar1 ar2 ma1 ma2 sar1 sar2
## 0.8887 -0.1732 -0.7455 -0.2299 0.1897 0.1129
## s.e. 0.0726 0.0650 0.0728 0.0731 0.0253 0.0247
##
## sigma^2 estimated as 722940: log likelihood=-14048.91
## AIC=28111.82 AICc=28111.88 BIC=28149.97fitarima2 <- auto.arima(data30,seasonal = T)
fitarima2#ARMA(1,3)## Series: data30
## ARIMA(1,1,3)
##
## Coefficients:
## ar1 ma1 ma2 ma3
## 0.6213 -0.4937 -0.3762 -0.0584
## s.e. 0.0470 0.0519 0.0253 0.0364
##
## sigma^2 estimated as 760396: log likelihood=-14093.05
## AIC=28196.1 AICc=28196.13 BIC=28223.35fitarima3 <- auto.arima(data365,seasonal = T)
fitarima3#ARMA(1,3)## Series: data365
## ARIMA(0,1,3)(0,1,0)[365]
##
## Coefficients:
## ma1 ma2 ma3
## -0.1455 -0.4752 -0.2612
## s.e. 0.0266 0.0248 0.0317
##
## sigma^2 estimated as 1146789: log likelihood=-11386.54
## AIC=22781.09 AICc=22781.11 BIC=22801.93（二）、白噪声检验
Box.test(fitarima1$residuals,lag=10,type='Ljung')##
## Box-Ljung test
##
## data: fitarima1$residuals
## X-squared = 16.004, df = 10, p-value = 0.09951Box.test(fitarima2$residuals,lag=10,type='Ljung')##
## Box-Ljung test
##
## data: fitarima2$residuals
## X-squared = 82.697, df = 10, p-value = 1.483e-13Box.test(fitarima3$residuals,lag=10,type='Ljung')##
## Box-Ljung test
##
## data: fitarima3$residuals
## X-squared = 56.383, df = 10, p-value = 1.74e-08如果p<0.05,认为不是白噪声
（三）预测绘图
ggdata <- rbind(data[100:1649,],data.frame(日期=seq.Date(from = as.Date("2020/01/01",format = "%Y/%m/%d"), by = "day", length.out = 400),游客数=rep(NA,400)))
ggdata <- ggdata[order(ggdata[,2]),]forecast_arima1 <- forecast(fitarima1, h = 50)
ggplot() + geom_line(aes(y = ggdata[1500:1600,1], x = ggdata[1500:1600,2]), size = 0.1) + geom_line(aes(y = forecast_arima1$mean, x = ggdata[1551 : 1600, 2]), col = "red", size = 0.1) + xlab("日期") + ylab("游客数") + ggtitle("ARIMA(2,1,2)(2,0,0)[7]的向后50天预测")## Warning: Removed 50 row(s) containing missing values (geom_path).
forecast_arima2 <- forecast(fitarima2, h = 50)
ggplot() + geom_line(aes(y = ggdata[1500:1600,1], x = ggdata[1500:1600,2]), size = 0.1) + geom_line(aes(y = forecast_arima2$mean, x = ggdata[1551 : 1600, 2]), col = "red", size = 0.1) + xlab("日期") + ylab("游客数")+ggtitle("ARIMA(1,1,3)的向后50天预测")## Warning: Removed 50 row(s) containing missing values (geom_path).
forecast_arima3 <- forecast(fitarima3, h = 400)
ggplot() + geom_point(aes(y = ggdata$游客数, x = ggdata$日期), size = 0.1) + geom_point(aes(y = forecast_arima3$mean, x = ggdata[1551 : 1950, 2]), col = "red", size = 0.1) + xlab("日期") + ylab("游客数")+ggtitle('ARIMA(0,1,3)(0,1,0)[365]的向后400天预测')## Warning: Removed 400 rows containing missing values (geom_point).
四、指数平滑拟合
指数平滑也是时间序列建模的一种方法，同ARIMA拟合一样，也同时考虑以7天为周期、30天为周期和以365天为周期。
（一）拟合效果
1.整体观察
fithot1<-HoltWinters(data7, beta = F)
par(mfrow=c(1,1))
plot(fithot1)
fithot2<-HoltWinters(data30, beta = F)
par(mfrow=c(1,1))
plot(fithot2)
fithot3<-HoltWinters(data365, beta = F)
par(mfrow=c(1,1))
plot(fithot3) ##### 2.局部观察：以周期为365的指数平滑拟合为例
其实从上面的整体观察也可以看出,只有第一幅图中，以7天为周期拟合时，存在拟合数据头部波动太大的问题，其他两幅拟合图情况都表现良好，所以在这里用365天周期为例子。
fithot3_plot <- data.frame(游客数=c(data1$游客数[1031:1100],fithot3$fitted[1031:1100]),difference=rep(c("actual","fitted"),c(70:70)),日期=c(data1$日期[1031:1100],data1$日期[1031:1100]))
ggplot(fithot3_plot)+geom_line(aes(y=游客数,x=日期,group=difference,linetype=difference,color=difference))+labs(title = "四姑娘山游客数指数平滑拟合",subtitle="seasonal = 365") +xlab(label = "日期") + ylab(label = "游客数")+theme(plot.title = element_text(hjust = 0.5))
（二）、预测效果
forecast_fithot1<-forecast(fithot1,h=50)
ggplot() + geom_line(aes(y = ggdata[1500:1600,1], x = ggdata[1500:1600,2]), size = 0.1) + geom_line(aes(y = forecast_fithot1$mean, x = ggdata[1551 : 1600, 2]), col = "red", size = 0.1)+labs(title = "指数平滑模型的向后50天预测",subtitle="周期：7") +xlab(label = "日期") + ylab(label = "游客数")+theme(plot.title = element_text(hjust = 0.5))## Warning: Removed 50 row(s) containing missing values (geom_path).
forecast_fithot2<-forecast(fithot2,h=100)
ggplot() + geom_line(aes(y = ggdata[1470:1650,1], x = ggdata[1470:1650,2]), size = 0.1) + geom_line(aes(y = forecast_fithot2$mean, x = ggdata[1551 : 1650, 2]), col = "red", size = 0.1) +labs(title = "指数平滑模型的向后100天预测",subtitle="周期：30") +xlab(label = "日期") + ylab(label = "游客数")+theme(plot.title = element_text(hjust = 0.5))## Warning: Removed 100 row(s) containing missing values (geom_path).
forecast_fithot3 <- forecast(fithot3, h = 400)
ggplot() + geom_point(aes(y = ggdata$游客数, x = ggdata$日期), size = 0.1) + geom_point(aes(y = forecast_fithot3$mean, x = ggdata[1551 : 1950, 2]), col = "red", size = 0.1) +labs(title = "指数平滑模型的向后400天预测",subtitle="周期：365") +xlab(label = "日期") + ylab(label = "游客数")+theme(plot.title = element_text(hjust = 0.5))## Warning: Removed 400 rows containing missing values (geom_point).
指数平滑模型的预测效果要比ARIMA模型好的多。
（三）、指数平滑法改进的尝试
事实上，四姑娘山的客流量变化的季节性，有两个方面。首先，在一周内具有“季节性变化”，周末的客流量要比工作日高很多；其次，一年内也有明显的季节性变化，浏览四姑娘山有旺季也有淡季，因此，我们还可以同时考虑这两个季节性，尝试多季节性时间序列建模。
1.TBATS模型
TBATS 模型(Exponential smoothing state space model with Box-Cox transformation, ARMA errors, Trend and Seasonal components) 是由De Livera、Hyndman和Snyder（2011）开发的另一种方法使用傅立叶项与指数平滑状态空间模型和Box-Cox变换的组合，完全自动化，在R语言中有现成的包。
data7365 <- msts(data1$游客数,seasonal.periods = c(7,365))
fittbats <- tbats(data7365)
fittbats## TBATS(0.103, {2,2}, -, {<7,2>, <365,5>})
##
## Call: tbats(y = data7365)
##
## Parameters
## Lambda: 0.102628
## Alpha: 0.0107387
## Gamma-1 Values: 0.001370681 -0.001136551
## Gamma-2 Values: -0.001174851 -0.0004119755
## AR coefficients: 1.498767 -0.52432
## MA coefficients: -0.737299 -0.105838
##
## Seed States:
## [,1]
## [1,] 8.56324258
## [2,] -0.21587970
## [3,] 0.01142647
## [4,] -0.38826913
## [5,] 0.22332276
## [6,] 1.43166137
## [7,] 0.91840331
## [8,] 0.03670414
## [9,] -0.32329308
## [10,] -0.05760824
## [11,] -1.45944304
## [12,] 0.28193903
## [13,] 0.49921333
## [14,] 0.65055250
## [15,] 0.53529261
## [16,] 0.00000000
## [17,] 0.00000000
## [18,] 0.00000000
## [19,] 0.00000000
## attr(,"lambda")
## [1] 0.1026285
##
## Sigma: 0.9710305
## AIC: 32844.44forecast_tbats <- forecast(fittbats, h = 400)
ggplot() + geom_point(aes(y = ggdata$游客数, x = ggdata$日期), size = 0.1) + geom_point(aes(y = forecast_tbats$mean, x = ggdata[1551 : 1950, 2]), col = "red", size = 0.1) + xlab("日期") + ylab("游客数")+ggtitle('TBATS的向后400天预测')## Warning: Removed 400 rows containing missing values (geom_point).
从图中可以看出，相比只考虑周期365的指数平滑模型，TBATS的估计更为保守和折中，但没有显示出对只考虑周期365的指数平滑模型的改进。
五、总结
根据预测效果我们最终选择周期为365的指数平滑模型作为最终的预测模型。 一下为其估计出的参数
fithot3$coefficients## a s1 s2 s3 s4
## 1209.8851284 -50.4150837 -84.3434729 -671.7830592 -590.3388754
## s5 s6 s7 s8 s9
## -408.2040871 -364.5343108 -437.9689257 -269.7730554 -409.6871415
## s10 s11 s12 s13 s14
## -592.8877642 -524.3309210 -515.3653688 -416.4906935 -523.3894594
## s15 s16 s17 s18 s19
## -367.7078204 -242.2049726 -473.8056172 -333.2752113 -429.6396850
## s20 s21 s22 s23 s24
## -236.1591365 -316.6312727 -379.7594429 -113.9704958 -615.7839551
## s25 s26 s27 s28 s29
## -161.4264737 -276.9469075 -25.9339286 -385.5415291 -320.7143098
## s30 s31 s32 s33 s34
## -93.1407335 -147.3379641 -141.6788048 -59.7540439 123.5069157
## s35 s36 s37 s38 s39
## 226.7596388 128.9651490 74.9807465 -33.3800978 31.2402231
## s40 s41 s42 s43 s44
## 50.5307364 249.2589075 -101.7379835 530.1637238 156.9130994
## s45 s46 s47 s48 s49
## 117.8400352 325.7256170 311.7154213 653.8303905 1087.8359727
## s50 s51 s52 s53 s54
## 995.6859103 751.0290436 153.1190280 429.9669959 458.5215332
## s55 s56 s57 s58 s59
## 474.8859940 695.3700504 997.0413083 519.6134121 -9.1122513
## s60 s61 s62 s63 s64
## 296.6552182 418.5837378 746.8574473 989.2619534 1043.1781565
## s65 s66 s67 s68 s69
## 507.5197316 530.0733479 555.6238675 460.9317597 583.7106494
## s70 s71 s72 s73 s74
## 385.3482394 538.5297681 390.2863420 214.8751608 -321.2621966
## s75 s76 s77 s78 s79
## -440.3923662 -541.0744158 -499.2890962 -119.9392787 -196.8503142
## s80 s81 s82 s83 s84
## -444.2498386 -433.6367035 -513.4281219 -405.5792610 -259.4161527
## s85 s86 s87 s88 s89
## 104.0283011 170.6465397 -161.3859810 -245.8992175 -192.4138175
## s90 s91 s92 s93 s94
## -196.5888376 -13.4392490 2489.9996114 1331.9699186 273.5968956
## s95 s96 s97 s98 s99
## 2.0886303 -88.8094847 -91.5522247 -37.2001898 670.8981604
## s100 s101 s102 s103 s104
## 659.6314026 -280.3228799 -190.2025039 -7.5667220 4.1628672
## s105 s106 s107 s108 s109
## 118.8317579 367.8586004 2362.7539796 7040.3047868 10363.2547165
## s110 s111 s112 s113 s114
## 10597.5528745 8508.4921314 4869.0815724 671.6288507 -767.5710608
## s115 s116 s117 s118 s119
## -108.8627600 564.8356554 982.7958280 1470.8019593 1736.3733053
## s120 s121 s122 s123 s124
## 2315.1064850 3120.1798063 2583.3951432 2686.9125707 2654.4253383
## s125 s126 s127 s128 s129
## 2550.2141189 2543.7709802 3346.6813248 5083.3120035 4187.5969715
## s130 s131 s132 s133 s134
## 3083.7461780 2655.0868995 3124.3195698 2794.7226404 2981.8802564
## s135 s136 s137 s138 s139
## 3668.7789673 3144.4161984 1721.9915919 1188.3175341 1059.6519398
## s140 s141 s142 s143 s144
## 1168.6670227 2252.9212306 3998.0961579 2526.4828850 801.4481899
## s145 s146 s147 s148 s149
## 214.7644404 47.5183886 153.0764486 676.4372308 1109.4849259
## s150 s151 s152 s153 s154
## 548.2605204 44.1542375 -239.2333609 -383.1907927 -347.1596869
## s155 s156 s157 s158 s159
## 31.0220249 304.4568409 -19.2564461 -483.2990303 -278.2134978
## s160 s161 s162 s163 s164
## -830.4053170 -718.0297268 -413.7738312 -208.0903835 -664.3410978
## s165 s166 s167 s168 s169
## -857.7736155 -805.2558593 -843.9487166 -838.9610718 -680.5885578
## s170 s171 s172 s173 s174
## -394.4042548 -497.3195446 -903.3239042 -943.0095755 -896.0479458
## s175 s176 s177 s178 s179
## -905.4579324 -733.3674327 -586.1165980 -677.3107671 -1016.9633353
## s180 s181 s182 s183 s184
## -962.4933534 -893.5744835 -880.8306153 -907.5817265 -646.6494861
## s185 s186 s187 s188 s189
## -705.5741916 -1015.6163422 -907.8912286 -956.3901090 -937.2663694
## s190 s191 s192 s193 s194
## -732.5065180 -930.7902854 -860.3632375 -973.2386728 -1000.2721730
## s195 s196 s197 s198 s199
## -898.2964326 -939.1227316 -846.9900499 214.4981847 664.5460716
## s200 s201 s202 s203 s204
## -246.3961442 -712.7869967 -924.0647139 -924.2542552 -951.0099368
## s205 s206 s207 s208 s209
## -795.1967314 -891.0925587 -1027.2436036 -1007.7671292 -988.8411683
## s210 s211 s212 s213 s214
## -996.6426663 -959.0102600 -864.1382403 -881.1752496 -983.9105447
## s215 s216 s217 s218 s219
## -1006.9784739 -970.5221487 -1088.2178946 -906.6899943 -993.6454722
## s220 s221 s222 s223 s224
## -964.4285380 -982.5571898 -1016.2883339 -1045.5866390 -1056.0586777
## s225 s226 s227 s228 s229
## -1048.8846934 -855.3155744 154.8430065 1344.7473191 2119.4703471
## s230 s231 s232 s233 s234
## 1614.1095889 928.7062342 242.1628872 -371.6839058 -666.2285936
## s235 s236 s237 s238 s239
## -721.4206881 -634.4595882 -798.0644789 -1032.5367307 -1280.3381997
## s240 s241 s242 s243 s244
## -1262.8268356 -1193.0706275 -1272.8411310 -1320.6840779 -1285.1855061
## s245 s246 s247 s248 s249
## -1235.6934907 -1050.8392780 -1000.7488775 -1030.6851946 -1294.0403103
## s250 s251 s252 s253 s254
## -1341.2816341 -1272.6799137 -1315.5267294 -1370.0354487 -1291.5867959
## s255 s256 s257 s258 s259
## -1227.2620868 -1280.5050484 -1293.6726006 -1308.2073016 -1311.0584262
## s260 s261 s262 s263 s264
## -1208.1308043 -995.5378649 -1082.6423367 -1247.4852318 -1243.4184035
## s265 s266 s267 s268 s269
## -52.7375454 -543.2101986 -912.4392657 -899.2148031 -899.1757710
## s270 s271 s272 s273 s274
## -1185.6429558 -1211.3595638 -1203.6636662 -1146.5637730 -1096.8201825
## s275 s276 s277 s278 s279
## -687.8352847 -619.1653264 -835.3783922 -959.6180174 -935.6950056
## s280 s281 s282 s283 s284
## -892.0725243 -843.1881163 -552.5635952 -537.9623281 -709.0866895
## s285 s286 s287 s288 s289
## -843.5568153 -876.6116634 -481.6038990 -351.3177010 -281.3309977
## s290 s291 s292 s293 s294
## -204.8171513 1048.5381738 44.9898119 380.6568470 -273.2726212
## s295 s296 s297 s298 s299
## -635.9238650 -394.0600088 -239.0114485 -523.6490313 -372.9122763
## s300 s301 s302 s303 s304
## -276.4677349 -43.8006526 -171.6756478 -294.6628938 -391.0980635
## s305 s306 s307 s308 s309
## -440.2622049 -248.5693857 -317.3721323 -324.2112467 -243.5059803
## s310 s311 s312 s313 s314
## -26.5467049 -330.7010596 -443.0281077 -499.2887064 -374.5983875
## s315 s316 s317 s318 s319
## -367.1066497 -289.0542814 705.2346729 574.9174293 927.7046672
## s320 s321 s322 s323 s324
## 971.8044924 -565.4492201 -1284.6519290 -848.5833652 -395.2998677
## s325 s326 s327 s328 s329
## -387.2330364 -56.3958980 -206.6351379 -396.2946054 -271.0539436
## s330 s331 s332 s333 s334
## -765.7887967 -631.8094450 -433.0553472 -504.4797061 -470.6858409
## s335 s336 s337 s338 s339
## -381.2781937 -354.0468112 -30.5796797 -246.6573937 -348.2941724
## s340 s341 s342 s343 s344
## -523.2659707 -407.6650977 -319.0171870 -350.1990511 0.7611104
## s345 s346 s347 s348 s349
## -430.1052047 -146.6708942 -213.3778014 -610.3461904 -535.1584913
## s350 s351 s352 s353 s354
## -494.7072286 -508.0804042 -432.2283021 -355.3212032 -325.1013548
## s355 s356 s357 s358 s359
## -218.4327787 65.9865537 0.2003378 -695.4455823 361.3555908
## s360 s361 s362 s363 s364
## 356.8847066 -356.5012459 -312.8628552 -327.1284213 -453.9605642
## s365
## -503.8851284R 四姑娘山每日客流量爬虫 时间序列建模 ARIMA 指数平滑 TBATS拟合与预测相关推荐
- 冰雪奇缘，白色世界：四个IT人的四姑娘山双桥沟游记
去年9月初去了川西的稻城亚丁,体会了金色世界秋日童话,还写了一篇游记<从你的全世界路过-一群程序员的稻城亚丁游记>,也是得到了很多朋友和童鞋的点赞.今年11月初趁着周末的两天时间和朋友去了 ...
- 徒步四姑娘山二峰有感（5276米）
前言5-17从成都奔赴四姑娘山四姑娘山简介隔一年多与"大王"相见与小伙伴们初见出发四姑娘山5-18 徒步7小时到达二峰营地沿途风光二峰营地高反5-19 凌晨登顶最后 前言 大城市的 ...
- 【时间序列】Holt-Winters 指数平滑方法及其 Python 实践
背景 指数平滑是在 20 世纪 50 年代后期提出的,并激发了一些十分成功的预测方法.使用指数平滑方法生成的预测是过去观测值的加权平均值,并且随着过去观测值离预测值距离的增大,权重呈指数型衰减.换句话 ...
- 时间序列分析及应用r语言pdf_R语言时间序列分析（十一）：指数平滑法
作者:黄天元,复旦大学博士在读,热爱数据科学与开源工具(R),致力于利用数据科学迅速积累行业经验优势和科学知识发现,涉猎内容包括但不限于信息计量.机器学习.数据可视化.应用统计建模.知识图谱等,著有& ...
- Cybercom 攀登4姑娘山2峰的体能测试报告
7月份中旬, Cybercom的CEO 要来成都分公司视察,顺便要和成都公司的员工一起攀登四姑娘山2峰,最高海拔在5500米左右.以前培训的时候见过这个光头老大,兄弟们都说这个人特别适合演黑社会角色 ...
- 时间序列预测之一：指数平滑法（二）R语言——代码实现
参考:https://www.cnblogs.com/fengzzi/p/10044426.html 指数模型是用来预测时序未来值的最常用模型.这类模型相对比较简单,但是实践证明它们的短期预测能力较好 ...
- python时间序列指数平滑预测_时间序列分析预测实战之指数平滑法
一.什么是时间序列分析? 在工作中,常常要对数据进行预测,确定业务未来的发展趋势,进而配置相关的营销策略.制定业务目标,由此引申出了一个重要的用数据预测未来的方法--时间序列分析,今天和大家分享就是实 ...
- 时间序列的数据分析(六):指数平滑预测法
之前已经完成了五篇关于时间序列的博客,还没有阅读过的读者请先阅读: 时间序列的数据分析(一):主要成分 时间序列的数据分析(二):数据趋势的计算 时间序列的数据分析(三):经典时间序列分解 时间序列的 ...
- 时间序列预测02：经典方法综述 自回归ARIMA/SRIMA 指数平滑法等
机器学习和深度学习方法可以在具有挑战性的时间序列预测问题上取得不俗的表现.然而,在许多预测问题中,经典的方法,如SARIMA和指数平滑法(exponential smoothing ),容易优于更复杂 ...
最新文章
- (C++)设计一个程序能计算一个日期加上若干天后是什么日期and计算日期差值
- SQL Server 2005/2008 用户数据库文件默认路径和默认备份路径修改方法
- HTTP精简教程一：Web网络基础
- vc6.0 简易的tcp网络讲解（二）
- 【信息抽取】如何使用循环神经网络进行关系抽取
- string转short java_[Java基础]之 数据类型转换
- 第六章：thymeleaf页面模版-1. 信息输出
- the third assignment of software testing
- android UI进阶之android中隐藏的layout 抽屉的运用
- 40个国内外文献免费下载网站-转
- python 京东 价格监控_双十一购物 || Python监控商品价格 插件监控
- 剑指offer 09、30：栈与队列
- C#路径中使用斜杠/和反斜杠\的区别
- Android MVP之kotlin初体验
- IE6-IE11兼容性问题列表及解决办法总结
- 红木整装——成为现代装修行业中的新宠
- 自控力读书笔记 第四章 容忍罪恶： 为何善行之后会有恶行
- 我见过的最糟糕代码，看了都说好！
- POJO、JavaBean、EJB的区别
- 2021年软件测试工具总结——模糊测试工具