time-series

0熱

1答えて

私はRを使用してプログラミングしています関数とforループを作成する必要があります。値：t = 0.001、n = 4、以下の関数が添付されています。 Iは、Y （0.001）を算出する、Y （0.001）とY （0.001）forループを使用することによって。また、私はRコードを作成しましたが、わかりませんがエラーがあります。 Iは、Y （0.001）とY （0.001）、Y （0.00

0熱

1答えて

dplyrは

マイデータフレームは異なる変数を持つ時系列で、1966年から始まる Date prcpmm TmaxC TminC 1/1/1966 0 7.8 0 1/2/1966 0.8 8.3 -1.1 1/3/1966 0 2.8 -5 1/4/1966 0 4.4 -5.6 1/5/1966 0 5.6 -8.9 1/6/1966 0 2.2 -1.7 1/7/1966 0.5 0.6 -

1熱

1答えて

時系列のラグ計算にR値がない場合

私は時系列が好きです。私は、日付 - 時間が連続的である場合にのみラグNを計算し、欠落したデータに遭遇した場合には計算の遅れをスキップします。前のエントリはRに複数のN時間間隔であるとき、私は遅れを計算したくない t val 2005-01-17 17:30:00 14.3 2005-01-17 18:30:00 14.0 2005-01-17 19:

0熱

1答えて

24時間X軸これと同様に

再調整 - 私は24:00に6時00分の代わりに、夜12時00分に6時00分からのデータを表現するためにX軸を再調整しようとしていますしかしRearrange x-axis of hour when plotting を、それはX軸を台無しにする。データ： intraday_txt_file <- structure(list(Time = structure(c(26100, 27000,

1熱

1答えて

自動回帰用語を追加した後のpydlmエラー

from pydlm import dlm, trend, seasonality, autoReg global simple_dlm tempResult=[] finalDataFrame=updatedDataFrame finalDataFrame=finalDataFrame.loc[:, (finalDataFrame != finalDataFrame.ix[0]).a

0熱

1答えて

PostgreSQLクエリを使用して日々の統計を使って時系列を生成する

私はかなり複雑なSQLクエリを作成しなければならないという立場にあります。私はordersというテーブルと、時間の経過とともにこれらの注文の状態を記録する関連テーブルorder_state_history（下記参照）を持っています。これで、その日の終わりに特定の州にあった注文数を含む一連の行（1日1行）を生成する必要があります（report参照）。また、私はorder.type = 1の注文だ

0熱

1答えて

パネルデータに変数の値に基づいて、時間的な距離を探す

各yearのために、私は以来、年の数を計算したい、のは今 set.seed(28100) years <- 1900:2010 conflict_lev <- sample(0:4, 111, replace = T, prob = c(0.9, 0.05, 0.03, 0.02, 0.01)) my_df <- data.frame(years, conflict_lev) その年

1熱

1答えて

Rパッケージキャレットの結果オブジェクトにあるRMSEは何ですか？

なぜ結果1と結果2が異なるのですか？直感的には、私はtruc $ results $ RMSEは予測の二乗平均平方根誤差だと思うでしょうが、そうではないと思います。 library(caret) x <- data.frame(x = rnorm(15)) y <- x$x + rnorm(15) myTimeControl <- trainControl(method = "timesli

1熱

1答えて

LSTM-Kerasは時系列間の依存関係を考慮していますか？

私が持っている：OUTPUTでINPUT 予測時系列点として複数の時系列どのモデルが入力内のすべての時系列間の依存関係を使用してデータを予測することを確認することができますか？編集1 私の現在のモデル： model = Sequential() model.add(keras.layers.LSTM(hidden_nodes, input_dim=num_features, input_l

1熱

1答えて

時系列の定理

私はthisリンクから得た時系列データを定常状態にしようとしています。私は、次の試み： 1）差分3回 2を使用）データにSQRT変換を試みました。差異化されたデータを分解すると、トレンドと季節の要素があります。私は、Pythonを使用していますし、これはデータが異なるアプローチが必要で、私は diff1 = series.diff()