時間序列數(shù)據(jù)是一個物體或多個物體隨著時間不斷產(chǎn)生的數(shù)值序列。比如：從智能電表中獲得月電度使用量；每日股票的價格和交易量；ECG(心電圖)；地震儀，網(wǎng)絡性能數(shù)據(jù)等等。時間序列數(shù)據(jù)一定基于時間順序，這個順序是所有時間分析算法的基礎。時間序列工具包（TimeSeries Toolkit），可以用來預處理、分析和建模時間序列數(shù)據(jù)。

在里，時間序列數(shù)據(jù)有三種主要類型的處理方法:

• 數(shù)據(jù)預處理：包括讀取、修復、條件化數(shù)據(jù)。
• ：包括分析時間序列數(shù)據(jù)的內(nèi)在信息。比如：對時間序列數(shù)進行計算統(tǒng)計信息和關聯(lián)，解析和轉(zhuǎn)換.
• 數(shù)據(jù)建模：包括時間序列模型的創(chuàng)建以及使用模型來預測或回歸。

這個工具包還提供一系列函數(shù)來自動生成以測試和驗證為用途的時間序列數(shù)。以下對該工具包的具體功能：

1. 分析模塊具有以下Operator(對時間序列數(shù)據(jù)流進行連續(xù)運算)

• AnomalyDetector異常檢測
• CrossCorrelate2交叉關聯(lián)(滑動點乘或滑動內(nèi)乘)，用于測量兩個時間序列的相似度
• CrossCorrelateMulti用于模式識別，兩個或多個時間序列。
• DSPFilter2數(shù)字信號處理（DSP）的過濾操作算法執(zhí)行對輸入時間序列的數(shù)字濾波操作。數(shù)字濾波是一個普遍的技術使用，以提高或降低的時間序列的某些特性。它可用于長度不能計數(shù)的數(shù)據(jù)處理，例如，數(shù)據(jù)平滑化，趨勢，增強，放大，和頻率解析。
• DSPFilterFinite同上，用于有限長度的數(shù)據(jù)處理。
• DWT2離散小波變換
• Distribution     四位分布圖quartile distribution
• FFT傅里葉變換
• FunctionEvaluator對時間序列中每個值進行計算
• Normalize計算均值和方差，零均值和單位方差
• PSAX分段聚合近似Piecewise Aggregate Approximation
• STDseasonal     trend decomposition 季節(jié)趨勢分解

2. 分析模塊具有以下函數(shù)(對單個時間序列值進行運算)

• convolve，laggedConvolve卷積運算
• crosscorrelate，laggedCrosscorrelate交叉關聯(lián)
• rms方根均值

3. 距離模塊具有以下函數(shù)(對單個時間序列值進行運算)

• dtw動態(tài)時間規(guī)整dynamic time warping (DTW)
• dtw_itakura     Itakura Parallelogram DTW
• dtw_sakoe_chiba     Sakoe-Chiba Band based DTW
• lcss     longest common subsequence (LCSS)最長公共子序列
• lpNorm     Lp范式

4. 數(shù)據(jù)生成模塊具有以下函數(shù)Operator(自動生成時間序列數(shù)據(jù)流)

• Generator正弦，三角，鋸齒，或脈沖串

5. 數(shù)據(jù)生成模塊具有以下函數(shù)

• generate_pulsetrain_wave
• generate_sawtooth_wave
• generate_sine_wave
• generate_square_wave
• generate_triangular_wave

6. 建模模塊具有以下函數(shù)Operator((對時間序列數(shù)據(jù)流進行連續(xù)運算)

• ARIMA2自回歸積分滑動平均模型
• AutoForecaster2時間序列值自動預報
• FMPFilter自適應褪色記憶多項式濾波器，用于跟蹤、平滑、離群值、異常檢測
• GAMLearner廣義可加模型
• GAMScorer利用廣義可加模型打分
• GMM混合高斯模型，用于概率估計和離群值、異常值檢測
• HoltWinters2三次指數(shù)平滑法，用于長期預報
• KMeansClusteringKMeans聚類分析
• Kalman卡爾曼濾波器，用于跟蹤、平滑和自適應時間序列數(shù)據(jù)。
• LPC線性預測編碼
• RLSFilter遞歸最小二乘（RLS），預測
• VAR2，Granger因果關系算法，用于近期預測、異常檢測。

• IncrementalInterpolate增量插補，計算遺漏值
• ReSample重采樣
• TSWindowing窗函數(shù)，包括 Hamming, Hann, Blackman, Cosine, 和Triangle

Streams TimeSeries 工具包通過許多操作符進行了完善，能夠建立預報、跟蹤、回歸和預測模型。在一些真實場景中，輸入時間序列可能更改它的頻率范圍或者可能不斷造成干擾，或者開始丟失數(shù)據(jù)。使用這些質(zhì)量糟糕的數(shù)據(jù)來構建模型可能導致糟糕的性能。因此，在數(shù)據(jù)質(zhì)量下降時，必須執(zhí)行重新構建模型或暫停更新模型參數(shù)的過程。而在運行時這么做是一大挑戰(zhàn)。

TimeSeries 工具包的建模操作符通過使用一個控制端口來接受特定的控制信號，促進了模型的再培訓、暫停或恢復。一旦在輸入數(shù)據(jù)中檢測到異常或變更，就可以向建模操作符發(fā)送控制信號，讓其更改其行為。但是，這個控制信號應與所監(jiān)視的數(shù)據(jù)同步，否則會導致模型中異常數(shù)據(jù)泛濫。例如，控制信號的細微延遲可能導致對壞數(shù)據(jù)進行模型培訓。在流環(huán)境中，控制這一延遲非常棘手，因為無法保證控制信號和數(shù)據(jù)在操作符之間的移動速度。

可以考慮預報某個區(qū)域的電力使用情況的示例。在模型構建周期中，必須忽略小電力故障，否則可能在預報期間產(chǎn)生失真的結果。小故障或超出范圍的數(shù)據(jù)需要丟棄，控制端口特性可幫助實現(xiàn)此目的。Streams可以將控制信號的檢測和提交與用于模型學習的數(shù)據(jù)進行同步。

慧都控件網(wǎng)超級促銷月，全場6折起，豪禮搶不停>>>

截止時間：2016年11月30日

詳情請咨詢！

客服熱線：023-66090381