時間序列數據是一個物體或多個物體隨著時間不斷產生的數值序列。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，網絡性能數據等等。時間序列數據一定基于時間順序，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據。

在里，時間序列數據有三種主要類型的處理方法:

• 數據預處理：包括讀取、修復、條件化數據。
• ：包括分析時間序列數據的內在信息。比如：對時間序列數進行計算統計信息和關聯，解析和轉換.
• 數據建模：包括時間序列模型的創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來自動生成以測試和驗證為用途的時間序列數。以下對該工具包的具體功能：

1. 分析模塊具有以下Operator(對時間序列數據流進行連續運算)

• AnomalyDetector異常檢測
• CrossCorrelate2交叉關聯(滑動點乘或滑動內乘)，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數字信號處理（DSP）的過濾操作算法執行對輸入時間序列的數字濾波操作。數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的數據處理，例如，數據平滑化，趨勢，增強，放大，和頻率解析。
• DSPFilterFinite同上，用于有限長度的數據處理。
• 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 季節趨勢分解

2. 分析模塊具有以下函數(對單個時間序列值進行運算)

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

3. 距離模塊具有以下函數(對單個時間序列值進行運算)

• dtw動態時間規整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. 數據生成模塊具有以下函數Operator(自動生成時間序列數據流)

• Generator正弦，三角，鋸齒，或脈沖串

5. 數據生成模塊具有以下函數

• 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Operator((對時間序列數據流進行連續運算)

• 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據。
• 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，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，或者開始丟失數據。使用這些質量糟糕的數據來構建模型可能導致糟糕的性能。因此，在數據質量下降時，必須執行重新構建模型或暫停更新模型參數的過程。而在運行時這么做是一大挑戰。

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?；蚧謴汀Ｒ坏┰谳斎霐祿袡z測到異?；蜃兏?，就可以向建模操作符發送控制信號，讓其更改其行為。但是，這個控制信號應與所監視的數據同步，否則會導致模型中異常數據泛濫。例如，控制信號的細微延遲可能導致對壞數據進行模型培訓。在流環境中，控制這一延遲非常棘手，因為無法保證控制信號和數據在操作符之間的移動速度。

可以考慮預報某個區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生失真的結果。小故障或超出范圍的數據需要丟棄，控制端口特性可幫助實現此目的。Streams可以將控制信號的檢測和提交與用于模型學習的數據進行同步。

慧都控件網超級促銷月，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