✖


Jump to content

Временной ряд

Чтобы узнать о сериалах, см. Время (значения) § Кино и телевидение .

Временной ряд: случайные данные плюс тренд, с линией наилучшего соответствия и различными применяемыми фильтрами.

В математике временной ряд — это ряд точек данных , проиндексированных (или перечисленных, или представленных на графике) во временном порядке. Чаще всего временной ряд представляет собой последовательность , полученную в последовательные равноотстоящие друг от друга моменты времени. Таким образом, это последовательность данных дискретного времени . Примерами временных рядов являются высота океанских приливов , количество солнечных пятен и дневное значение промышленного индекса Доу-Джонса .

Временной ряд очень часто строится с помощью графика прогона (который представляет собой временную линейную диаграмму ). Временные ряды используются в статистике , обработке сигналов , распознавании образов , эконометрике , математических финансах , прогнозировании погоды , прогнозировании землетрясений , электроэнцефалографии , технике управления , астрономии , технике связи и, в основном, в любой области прикладной науки и техники , которая включает временные измерения.

временных рядов Анализ включает методы анализа данных временных рядов с целью извлечения значимой статистики и других характеристик данных. временных рядов Прогнозирование — это использование модели для прогнозирования будущих значений на основе ранее наблюдаемых значений. Обычно данные временных рядов моделируются как случайный процесс . Хотя регрессионный анализ часто используется для проверки взаимосвязей между одним или несколькими различными временными рядами, этот тип анализа обычно не называют «анализом временных рядов», который относится, в частности, к взаимосвязям между различными моментами времени в пределах одного ряд.

Данные временных рядов имеют естественный временной порядок. Это отличает анализ временных рядов от перекрестных исследований , в которых нет естественного порядка наблюдений (например, объяснение заработной платы людей со ссылкой на их соответствующие уровни образования, где данные отдельных лиц могут быть введены в любом порядке). Анализ временных рядов также отличается от анализа пространственных данных , где наблюдения обычно относятся к географическим местоположениям (например, учет цен на жилье по местоположению, а также внутренним характеристикам домов). Стохастическая . модель временного ряда обычно отражает тот факт, что наблюдения, расположенные близко друг к другу во времени, будут более тесно связаны, чем наблюдения, расположенные дальше друг от друга Кроме того, модели временных рядов часто используют естественное одностороннее упорядочение времени, так что значения за данный период будут выражены как вытекающие каким-то образом из прошлых значений, а не из будущих значений (см. обратимость времени ).

Анализ временных рядов может применяться к действительным , непрерывным данным, дискретным числовым данным или дискретным символьным данным (т. е. последовательностям символов, таких как буквы и слова на английском языке). [1] ).

Методы анализа

[ редактировать ]

Методы анализа временных рядов можно разделить на два класса: методы частотной области и методы временной области . Первые включают спектральный анализ и вейвлет-анализ ; последние включают автокорреляционный и кросскорреляционный анализ. Во временной области корреляция и анализ могут выполняться подобно фильтру с использованием масштабированной корреляции , тем самым уменьшая необходимость работы в частотной области.

Кроме того, методы анализа временных рядов можно разделить на параметрические и непараметрические методы. Параметрические подходы предполагают, что лежащий в основе стационарный случайный процесс имеет определенную структуру, которую можно описать с помощью небольшого числа параметров (например, с помощью модели авторегрессии или модели скользящего среднего ). В этих подходах задачей является оценка параметров модели, описывающей случайный процесс. Напротив, непараметрические подходы явно оценивают ковариацию или спектр процесса, не предполагая, что процесс имеет какую-либо конкретную структуру.

Методы анализа временных рядов также можно разделить на линейные и нелинейные , одномерные и многомерные .

Панельные данные

[ редактировать ]

Временной ряд — это один из типов панельных данных . Панельные данные — это общий класс, многомерный набор данных, тогда как набор данных временных рядов представляет собой одномерную панель (как и набор поперечных данных ). Набор данных может демонстрировать характеристики как панельных данных, так и данных временных рядов. Один из способов узнать это — спросить, что делает одну запись данных уникальной среди других записей. Если ответом является поле временных данных, то это кандидат на набор данных временных рядов. Если для определения уникальной записи требуется поле данных времени и дополнительный идентификатор, не связанный со временем (например, идентификатор студента, биржевой символ, код страны), тогда она является кандидатом на панельные данные. Если дифференциация основана на невременном идентификаторе, то набор данных является кандидатом на набор перекрестных данных.

Анализ

[ редактировать ]

Существует несколько типов мотивации и анализа данных для временных рядов, которые подходят для разных целей.

Мотивация

[ редактировать ]

В контексте статистики , эконометрики , количественных финансов , сейсмологии , метеорологии и геофизики основной целью анализа временных рядов является прогнозирование . В контексте обработки сигналов , техники управления и связи он используется для обнаружения сигналов. Другие приложения относятся к интеллектуальному анализу данных , распознаванию образов и машинному обучению , где анализ временных рядов может использоваться для кластеризации . [2] [3] классификация , [4] запрос по содержанию, [5] обнаружение аномалий, а также прогнозирование . [6]

Разведочный анализ

[ редактировать ]
Заболеваемость туберкулезом в США, 1953–2009 гг.
Дополнительная информация: Поисковый анализ.

Самый простой способ изучить регулярный временной ряд — вручную с помощью линейного графика . Справа показан пример диаграммы заболеваемости туберкулезом в США, составленной с помощью программы электронных таблиц. Число случаев было стандартизировано по показателю на 100 000 и рассчитано процентное изменение этого показателя за год. Почти неуклонно нисходящая линия показывает, что заболеваемость туберкулезом снижалась в большинстве лет, но процентное изменение этого показателя варьировалось в пределах +/- 10%, с «всплесками» в 1975 году и примерно в начале 1990-х годов. Использование обеих вертикальных осей позволяет сравнивать два временных ряда на одном графике.

Исследование, проведенное аналитиками корпоративных данных, обнаружило две проблемы при исследовательском анализе временных рядов: обнаружение формы интересных закономерностей и поиск объяснения этих закономерностей. [7] Визуальные инструменты, представляющие данные временных рядов в виде матриц тепловых карт, могут помочь преодолеть эти проблемы.

Другие методы включают в себя:

Подгонка кривой

[ редактировать ]
Основная статья: Подгонка кривой

Подгонка кривой [10] [11] это процесс построения кривой или математической функции , которая лучше всего соответствует ряду точек данных , [12] возможно, с учетом ограничений. [13] [14] Аппроксимация кривой может включать в себя либо интерполяцию , либо [15] [16] где требуется точное соответствие данным или сглаживание , [17] [18] в котором строится «гладкая» функция, приблизительно соответствующая данным. Связанная тема — регрессионный анализ . [19] [20] который больше фокусируется на вопросах статистического вывода, таких как степень неопределенности в кривой, которая соответствует данным, наблюдаемым со случайными ошибками. Встроенные кривые можно использовать в качестве вспомогательного средства для визуализации данных. [21] [22] вывести значения функции при отсутствии данных, [23] и суммировать отношения между двумя или более переменными. [24] Экстраполяция означает использование подобранной кривой за пределами диапазона наблюдаемых данных. [25] и подвержен определенной степени неопределенности [26] поскольку он может отражать метод, использованный для построения кривой, в такой же степени, как и наблюдаемые данные.

Уравнения роста

Для процессов, масштабы которых, как ожидается, обычно будут расти, одну из кривых на графике справа (и многих других) можно подобрать путем оценки их параметров.

Построение экономических временных рядов предполагает оценку некоторых компонентов на некоторые даты путем интерполяции между значениями («бенчмарками») на более ранние и более поздние даты. Интерполяция — это оценка неизвестной величины между двумя известными величинами (историческими данными) или получение выводов об недостающей информации на основе имеющейся информации («чтение между строк»). [27] Интерполяция полезна, когда доступны данные, относящиеся к отсутствующим данным, и известны их тенденции, сезонность и долгосрочные циклы. Это часто делается с использованием связанного ряда, известного по всем соответствующим датам. [28] В качестве альтернативы полиномиальная интерполяция или сплайн-интерполяция, используется когда кусочно- полиномиальные функции подгоняются во временные интервалы так, что они плавно совмещаются друг с другом. Другая проблема, тесно связанная с интерполяцией, — это аппроксимация сложной функции простой функцией (также называемой регрессией ). Основное различие между регрессией и интерполяцией заключается в том, что полиномиальная регрессия дает один полином, который моделирует весь набор данных. Однако сплайн-интерполяция дает кусочно-непрерывную функцию, состоящую из множества полиномов, для моделирования набора данных.

Экстраполяция — это процесс оценки значения переменной за пределами исходного диапазона наблюдения на основе ее связи с другой переменной. Это похоже на интерполяцию , которая дает оценки между известными наблюдениями, но экстраполяция подвержена большей неопределенности и более высокому риску получения бессмысленных результатов.

Аппроксимация функции

[ редактировать ]
Основная статья: Аппроксимация функции

В общем, задача аппроксимации функции требует от нас выбрать функцию среди четко определенного класса, которая точно соответствует («приближает») целевой функции способом, специфичным для конкретной задачи.Можно выделить два основных класса задач аппроксимации функций: во-первых, для известных целевых функций теория аппроксимации — это раздел численного анализа , который исследует, как определенные известные функции (например, специальные функции ) могут быть аппроксимированы определенным классом функций (для например, полиномы или рациональные функции ), которые часто обладают желаемыми свойствами (недорогие вычисления, непрерывность, целые и предельные значения и т. д.).

Во-вторых, целевая функция, назовем ее g , может быть неизвестна; только набор точек (временной ряд) вида ( x , g ( x вместо явной формулы предоставляется )) В зависимости от структуры домена и кодомена g могут быть применимы несколько методов аппроксимации g . Например, если g — операция над действительными числами методы интерполяции , экстраполяции , регрессионного анализа и подбора кривой , можно использовать . Если кодобласть (диапазон или целевой набор) g является конечным множеством, вместо этого приходится иметь дело с проблемой классификации . Связанная проблема онлайн- аппроксимации временных рядов [29] заключается в суммировании данных за один проход и построении приблизительного представления, которое может поддерживать различные запросы временных рядов с границами наихудшей ошибки.

В некоторой степени различные проблемы ( регрессия , классификация , аппроксимация приспособленности ) получили единое рассмотрение в статистической теории обучения , где они рассматриваются как проблемы обучения с учителем .

Прогнозирование и прогнозирование

[ редактировать ]

В статистике . предсказание частью статистического вывода является Один конкретный подход к такому выводу известен как прогнозирующий вывод , но прогноз может быть выполнен в рамках любого из нескольких подходов к статистическому выводу. Действительно, одно из описаний статистики заключается в том, что она обеспечивает средство передачи знаний об выборке совокупности всей совокупности и другим связанным популяциям, что не обязательно совпадает с прогнозированием с течением времени. Когда информация передается во времени, часто в определенные моменты времени, этот процесс известен как прогнозирование .

  • Полностью сформированные статистические модели для целей стохастического моделирования , позволяющие генерировать альтернативные версии временных рядов, представляющие то, что может произойти в неопределенные периоды времени в будущем.
  • Простые или полностью сформированные статистические модели для описания вероятного результата временного ряда в ближайшем будущем при условии знания самых последних результатов (прогнозирование).
  • Прогнозирование по временным рядам обычно выполняется с использованием пакетов автоматизированного статистического программного обеспечения и языков программирования, таких как Julia , Python , R , SAS , SPSS и многих других.
  • Прогнозирование крупномасштабных данных можно выполнить с помощью Apache Spark, используя библиотеку Spark-TS, сторонний пакет. [30]

Классификация

[ редактировать ]
Основная статья: Статистическая классификация

Присвоение шаблона временного ряда определенной категории, например, определение слова на основе серии движений рук на языке жестов .

Оценка сигнала

[ редактировать ]
См. Также: Обработка сигналов и теория оценки.

Этот подход основан на гармоническом анализе и фильтрации сигналов в частотной области с использованием преобразования Фурье и оценке спектральной плотности , развитие которых было значительно ускорено во время Второй мировой войны математиком Норбертом Винером , инженерами-электриками Рудольфом Э. Кальманом , Деннисом Габором. и другие для фильтрации сигналов от шума и прогнозирования значений сигналов в определенный момент времени. См. фильтр Калмана , теорию оценки и цифровую обработку сигналов.

Сегментация

[ редактировать ]
Основная статья: Сегментация временных рядов

Разбиение временного ряда на последовательность сегментов. Часто временной ряд можно представить как последовательность отдельных сегментов, каждый из которых имеет свои характерные свойства. Например, аудиосигнал конференц-связи можно разделить на части, соответствующие времени, в течение которого говорил каждый человек. Цель сегментации временных рядов состоит в том, чтобы идентифицировать граничные точки сегментов во временных рядах и охарактеризовать динамические свойства, связанные с каждым сегментом. К этой проблеме можно подойти, используя обнаружение точки изменения или моделируя временной ряд как более сложную систему, такую ​​как линейная система с марковским скачком.

Кластеризация

[ редактировать ]

Данные временных рядов могут быть кластеризованы, однако при рассмотрении кластеризации подпоследовательностей необходимо проявлять особую осторожность. [31] Кластеризацию временных рядов можно разделить на

  • кластеризация целых временных рядов (несколько временных рядов, для которых нужно найти кластер)
  • кластеризация временных рядов подпоследовательностей (одиночные временные ряды, разделенные на фрагменты с использованием скользящих окон)
  • кластеризация моментов времени

Кластеризация временных рядов подпоследовательностей

[ редактировать ]

Кластеризация временных рядов подпоследовательностей привела к образованию нестабильных (случайных) кластеров, вызванных выделением признаков с использованием фрагментации со скользящими окнами. [32] Было обнаружено, что центры кластеров (среднее значение временного ряда в кластере — также временной ряд) следуют произвольно сдвинутой синусоидальной схеме (независимо от набора данных, даже при реализациях случайного блуждания ). Это означает, что найденные центры кластеров не являются описательными для набора данных, поскольку центры кластеров всегда представляют собой нерепрезентативные синусоидальные волны.

Модели

[ редактировать ]

Модели данных временных рядов могут иметь множество форм и представлять различные случайные процессы . При моделировании изменений на уровне процесса практическое значение имеют три широких класса: модели авторегрессии (AR), интегрированные модели (I) и модели скользящего среднего (MA). Эти три класса линейно зависят от предыдущих точек данных. [33] Комбинация этих идей приводит к созданию авторегрессионного скользящего среднего (ARMA) и авторегрессионного интегрированного скользящего среднего моделей (ARIMA). Модель авторегрессионного дробно-интегрированного скользящего среднего (ARFIMA) обобщает первые три. Расширения этих классов для работы с векторными данными доступны под заголовком многомерных моделей временных рядов, а иногда предыдущие аббревиатуры расширяются за счет включения начальной буквы «V» для «вектора», как в VAR для векторной авторегрессии . Дополнительный набор расширений этих моделей доступен для использования в тех случаях, когда наблюдаемый временной ряд определяется некоторыми «вынуждающими» временными рядами (которые могут не оказывать причинного влияния на наблюдаемый ряд): отличие от многомерного случая состоит в том, что ряд воздействия может быть детерминированным или находиться под контролем экспериментатора. Для этих моделей аббревиатуры дополняются последней буквой «X», обозначающей «экзогенный».

Нелинейная зависимость уровня ряда от предыдущих точек данных представляет интерес, отчасти из-за возможности создания хаотического временного ряда. Однако, что еще более важно, эмпирические исследования могут указать на преимущество использования прогнозов, полученных на основе нелинейных моделей, по сравнению с прогнозами, полученными на основе линейных моделей, как, например, в нелинейных авторегрессионных экзогенных моделях . Дополнительные ссылки по нелинейному анализу временных рядов: (Канц и Шрайбер), [34] и (Абарбанель) [35]

Среди других типов моделей нелинейных временных рядов есть модели, представляющие изменения дисперсии во времени ( гетерскедастичность ). Эти модели представляют собой авторегрессионную условную гетероскедастичность (ARCH), и коллекция включает в себя широкий спектр представлений ( GARCH , TARCH, EGARCH, FigARCH, CGARCH и т. д.). Здесь изменения изменчивости связаны с недавними прошлыми значениями наблюдаемого ряда или предсказываются ими. Это контрастирует с другими возможными представлениями локально изменяющейся изменчивости, где изменчивость может быть смоделирована как обусловленная отдельным изменяющимся во времени процессом, как в двойной стохастической модели .

В недавних работах по безмодельному анализу популярность получили методы, основанные на вейвлет-преобразовании (например, локально стационарные вейвлеты и нейронные сети с вейвлет-разложением). [36] Методы мультимасштаба (часто называемые мультиразрешением) разлагают заданный временной ряд, пытаясь проиллюстрировать временную зависимость в нескольких масштабах. См. также методы мультифрактального переключения Маркова (MSMF) для моделирования эволюции волатильности.

Скрытая марковская модель (СММ) — статистическая марковская модель, в которой моделируемая система рассматривается как марковский процесс с ненаблюдаемыми (скрытыми) состояниями. HMM можно рассматривать как простейшую динамическую байесовскую сеть . Модели HMM широко используются в распознавании речи для перевода временного ряда произнесенных слов в текст.

Многие из этих моделей собраны в пакете Python sktime .

Обозначения

[ редактировать ]

Для анализа временных рядов используется ряд различных обозначений. Обычное обозначение, определяющее временной ряд X , индексируемый натуральными числами, записывается:

Икс знак равно ( Икс 1 , Икс 2 , ...) .

Другое распространенное обозначение

Y знак равно ( Y т : т ∈ Т ) ,

где T — набор индексов .

Условия

[ редактировать ]

Есть два набора условий, при которых строится большая часть теории:

Эргодичность подразумевает стационарность, но обратное не обязательно так. Стационарность обычно подразделяют на строгую стационарность и стационарность в широком смысле или стационарность второго порядка . При каждом из этих условий могут быть разработаны как модели, так и приложения, хотя в последнем случае модели можно считать лишь частично уточненными.

Кроме того, анализ временных рядов может применяться в тех случаях, когда ряды являются сезонно стационарными или нестационарными. Ситуации, когда амплитуды частотных составляющих изменяются со временем, можно рассматривать с помощью частотно-временного анализа , который использует частотно-временное представление временного ряда или сигнала. [37]

Инструменты

[ редактировать ]

Инструменты для исследования данных временных рядов включают в себя:

Меры

[ редактировать ]

временных рядов Метрики или функции , которые можно использовать для классификации временных рядов или регрессионного анализа : [40]

Визуализация

[ редактировать ]

Временные ряды можно визуализировать с помощью диаграмм двух категорий: перекрывающихся диаграмм и отдельных диаграмм. На перекрывающихся диаграммах все временные ряды отображаются в одном макете, тогда как на отдельных диаграммах они представлены в разных макетах (но выровнены для целей сравнения). [44]

Перекрывающиеся диаграммы

[ редактировать ]

Отдельные диаграммы

[ редактировать ]
  • Графики горизонтов
  • Уменьшенная линейная диаграмма (малые кратные)
  • График силуэта
  • Круговой силуэт

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Лин, Джессика; Кио, Имонн; Лонарди, Стефано; Чиу, Билл (2003). «Символическое представление временных рядов, имеющее последствия для алгоритмов потоковой передачи». Материалы 8-го семинара ACM SIGMOD по проблемам исследований в области интеллектуального анализа данных и открытия знаний . Нью-Йорк: ACM Press. стр. 2–11. CiteSeerX   10.1.1.14.5597 . дои : 10.1145/882082.882086 . ISBN  9781450374224 . S2CID   6084733 .
  2. ^ Уоррен Ляо, Т. (ноябрь 2005 г.). «Кластеризация данных временных рядов — опрос». Распознавание образов . 38 (11): 1857–1874. Бибкод : 2005PatRe..38.1857W . дои : 10.1016/j.patcog.2005.01.025 . S2CID   8973749 .
  3. ^ Агабозорги, Саид; Сейед Ширхоршиди, Али; Ин Ва, Тех (октябрь 2015 г.). «Кластеризация временных рядов - десятилетний обзор». Информационные системы . 53 : 16–38. дои : 10.1016/j.is.2015.04.007 . S2CID   158707 .
  4. ^ Кио, Имонн; Касетти, Шрути (2002). «О необходимости критериев интеллектуального анализа данных временных рядов: опрос и эмпирическая демонстрация». Материалы восьмой международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных . стр. 102–111. дои : 10.1145/775047.775062 . ISBN  1-58113-567-Х .
  5. ^ Агравал, Ракеш; Фалуцсос, Христос; Свами, Арун (1993). «Эффективный поиск сходства в базах данных последовательностей». Основы организации данных и алгоритмы . Конспекты лекций по информатике. Том. 730. стр. 69–84. дои : 10.1007/3-540-57301-1_5 . ISBN  978-3-540-57301-2 . S2CID   16748451 .
  6. ^ Чен, Кэти В.С.; Чиу, LM (4 сентября 2021 г.). «Прогнозирование порядкового временного ряда индекса качества воздуха» . Энтропия . 23 (9): 1167. Бибкод : 2021Entrp..23.1167C . дои : 10.3390/e23091167 . ПМЦ   8469594 . ПМИД   34573792 .
  7. ^ Саркар, Адвайт; Спотт, Мартин; Блэквелл, Алан Ф.; Ямник, Матея (2016). «Визуальное обнаружение и модельное объяснение закономерностей временных рядов» . Симпозиум IEEE 2016 по визуальным языкам и человеко-ориентированным вычислениям (VL/HCC) . стр. 78–86. дои : 10.1109/vlhcc.2016.7739668 . ISBN  978-1-5090-0252-8 . S2CID   9787931 .
  8. ^ Блумфилд, Питер (1976). Фурье-анализ временных рядов: введение . Уайли. ISBN  978-0-471-08256-9 . [ нужна страница ]
  9. ^ Шамуэй, Роберт Х. (1988). Прикладной статистический анализ временных рядов . Прентис-Холл. ISBN  978-0-13-041500-4 . [ нужна страница ]
  10. ^ Арлингхаус, Сандра (1994). Практическое руководство по подбору кривых . ЦРК Пресс. ISBN  978-0-8493-0143-8 . [ нужна страница ]
  11. ^ Колб, Уильям М. (1984). Аппроксимация кривой для программируемых калькуляторов . СИНТЕК. ISBN  978-0-943494-02-9 . [ нужна страница ]
  12. ^ Халли, СС; Рао, К.В. (1992). Передовые методы демографического анализа . Springer Science & Business Media. п. 165. ИСБН  978-0-306-43997-1 . функции выполняются, если мы имеем хорошее или среднее соответствие наблюдаемым данным.
  13. ^ Сигнал и шум : почему так много прогнозов не работают, а некоторые нет. Нейт Сильвер
  14. ^ Пайл, Дориан (1999). Подготовка данных для интеллектуального анализа данных . Морган Кауфманн. ISBN  978-1-55860-529-9 . [ нужна страница ]
  15. ^ Численные методы в инженерии с MATLAB®. Автор Яан Киусалас . Страница 24.
  16. ^ Киусалас, Яан (2013). Численные методы в проектировании с использованием Python 3 . Издательство Кембриджского университета. п. 21. ISBN  978-1-139-62058-1 .
  17. ^ Гость, Филип Джордж (2012). Численные методы аппроксимации кривой . Издательство Кембриджского университета. п. 349. ИСБН  978-1-107-64695-7 .
  18. ^ См. Также: Моллифер
  19. ^ Мотульский, Харви; Христопулос, Артур (2004). Подгонка моделей к биологическим данным с использованием линейной и нелинейной регрессии: практическое руководство по подгонке кривой . Издательство Оксфордского университета. ISBN  978-0-19-803834-4 . [ нужна страница ]
  20. ^ Регрессионный анализ Рудольфа Дж. Фройнда, Уильяма Дж. Уилсона, Ping Sa. Страница 269. [ дата отсутствует ]
  21. ^ Дауд, Ханита; Сагаян, Виджант; Яхья, Нурхана; Наджвати, Ван (2009). «Моделирование электромагнитных волн с использованием статистических и численных методов». Визуальная информатика: соединение исследований и практики . Конспекты лекций по информатике. Том. 5857. стр. 686–695. дои : 10.1007/978-3-642-05036-7_65 . ISBN  978-3-642-05035-0 .
  22. ^ Хаузер, Джон Р. (2009). Численные методы для нелинейных инженерных моделей . Springer Science & Business Media. п. 227. ИСБН  978-1-4020-9920-5 .
  23. ^ Уильям, Дадли, изд. (1976). «Ядерная и атомная спектроскопия». Спектроскопия . Методы экспериментальной физики. Том. 13. С. 115–346 [150]. дои : 10.1016/S0076-695X(08)60643-2 . ISBN  978-0-12-475913-8 .
  24. ^ Салкинд, Нил Дж. (2010). Энциклопедия дизайна исследований . МУДРЕЦ. п. 266. ИСБН  978-1-4129-6127-1 .
  25. ^ Клостерман, Ричард Э. (1990). Методы анализа и планирования сообщества . Издательство Rowman & Littlefield. п. 1. ISBN  978-0-7425-7440-3 .
  26. ^ Йо, Чарльз Э. (март 1996 г.). Введение в риск и неопределенность в оценке экологических инвестиций (Отчет). Инженерный корпус армии США. п. 69. ДТИК АДА316839 .
  27. ^ Хэмминг, Ричард (2012). Численные методы для ученых и инженеров . Курьерская корпорация. ISBN  978-0-486-13482-6 . [ нужна страница ]
  28. ^ Фридман, Милтон (декабрь 1962 г.). «Интерполяция временных рядов связанными рядами». Журнал Американской статистической ассоциации . 57 (300): 729–757. дои : 10.1080/01621459.1962.10500812 .
  29. ^ Ганди, Сораб; Фоскини, Лука; Сури, Субхаш (2010). «Экономичное онлайн-аппроксимирование данных временных рядов: потоки, амнезия и нарушение порядка». 2010 26-я Международная конференция IEEE по инженерии данных (ICDE 2010) . стр. 924–935. дои : 10.1109/ICDE.2010.5447930 . ISBN  978-1-4244-5445-7 . S2CID   16072352 .
  30. ^ Сэнди Риза (18 марта 2020 г.). «Анализ временных рядов с помощью Spark» (слайды доклада на Spark Summit East 2016) . Блоки данных . Проверено 12 января 2021 г.
  31. ^ Золхавари, Сейеджамаль; Агабозорги, Саид; Тэ, Ин Ва (2014). «Обзор кластеризации временных рядов подпоследовательностей» . Научный мировой журнал . 2014 : 312521. doi : 10.1155/2014/312521 . ПМК   4130317 . ПМИД   25140332 .
  32. ^ Кио, Имонн; Лин, Джессика (август 2005 г.). «Кластеризация подпоследовательностей временных рядов бессмысленна: последствия для предыдущих и будущих исследований». Знания и информационные системы . 8 (2): 154–177. дои : 10.1007/s10115-004-0172-7 .
  33. ^ Гершенфельд, Н. (1999). Природа математического моделирования . Нью-Йорк: Издательство Кембриджского университета. стр. 205–208 . ISBN  978-0521570954 .
  34. ^ Канц, Хольгер; Томас, Шрайбер (2004). Нелинейный анализ временных рядов . Лондон: Издательство Кембриджского университета. ISBN  978-0521529020 .
  35. ^ Абарбанель, Генри (25 ноября 1997 г.). Анализ наблюдаемых хаотических данных . Нью-Йорк: Спрингер. ISBN  978-0387983721 .
  36. ^ Томас, Р.; Ли, З.; Лопес-Санчес, JM; Лю, П.; Синглтон, А. (июнь 2016 г.). «Использование вейвлет-инструментов для анализа сезонных изменений данных временных рядов InSAR: пример оползня Хуангтупо» . Оползни . 13 (3): 437–450. Бибкод : 2016Земли..13..437Т . дои : 10.1007/s10346-015-0589-y . hdl : 10045/62160 . ISSN   1612-510X .
  37. ^ Боашаш, Б. (редактор), (2003) Частотно-временной анализ и обработка сигналов: полный справочник , Elsevier Science, Оксфорд, 2003. ISBN   0-08-044335-4
  38. ^ Николич, Данко; Мурешан, Рауль К.; Фэн, Вэйцзя; Певец Вольф (март 2012 г.). «Масштабный корреляционный анализ: лучший способ вычисления кросс-коррелограммы». Европейский журнал неврологии . 35 (5): 742–762. дои : 10.1111/j.1460-9568.2011.07987.x . ПМИД   22324876 . S2CID   4694570 .
  39. ^ Jump up to: а б Сакоэ, Х.; Чиба, С. (февраль 1978 г.). «Оптимизация алгоритма динамического программирования для распознавания устной речи». Транзакции IEEE по акустике, речи и обработке сигналов . 26 (1): 43–49. дои : 10.1109/ТАССП.1978.1163055 . S2CID   17900407 .
  40. ^ Морманн, Флориан; Анджейак, Ральф Г.; Элджер, Кристиан Э.; Ленертц, Клаус (2007). «Прогнозирование приступов: долгий и извилистый путь» . Мозг . 130 (2): 314–333. дои : 10.1093/brain/awl241 . ПМИД   17008335 .
  41. ^ Лэнд, Брюс; Элиас, Дамиан. «Измерение сложности временного ряда» .
  42. ^ Чевырев Илья; Кормилицин, Андрей (2016). «Букварь по методу сигнатур в машинном обучении». arXiv : 1603.03788 .
  43. ^ Ропелла, GEP; Наг, Д.А.; Хант, Калифорния (2003). «Меры сходства для автоматического сравнения результатов экспериментов in silico и in vitro». Материалы 25-й ежегодной международной конференции Общества инженерии в медицине и биологии IEEE (номер по каталогу IEEE 03CH37439) . стр. 2933–2936. дои : 10.1109/IEMBS.2003.1280532 . ISBN  978-0-7803-7789-9 . S2CID   17798157 .
  44. ^ Томински, Кристиан; Айгнер, Вольфганг. «Браузер TimeViz: визуальный обзор методов визуализации данных, ориентированных на время» . Проверено 1 июня 2014 г.

Дальнейшее чтение

[ редактировать ]
[ редактировать ]
Викискладе есть медиафайлы, связанные с временными рядами .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Time_series&oldid=1237694181"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 213ea7b4196530ff9bd2579718e93fdf__1722380520
URL1:https://arc.ask3.ru/arc/aa/21/df/213ea7b4196530ff9bd2579718e93fdf.html
Заголовок, (Title) документа по адресу, URL1:
Time series - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)