催收网站开发,上海网络推广培训学校,html5 触屏网站 案例,自己用模板做网站作者 |Sharmistha Chatterjee翻译 | 火火酱~#xff0c;责编 | 晋兆雨出品 | CSDN云计算头图 | 付费下载于视觉中国介绍现在#xff0c;对于各类机构而言#xff0c;需要收集的数据越来越多#xff0c;并且时常需要检测不寻常或异常的时间序列。例如#xff0c;雅虎就拥有… 作者 |Sharmistha Chatterjee翻译 | 火火酱~责编 | 晋兆雨出品 | CSDN云计算头图 | 付费下载于视觉中国介绍现在对于各类机构而言需要收集的数据越来越多并且时常需要检测不寻常或异常的时间序列。例如雅虎就拥有大量邮件服务器并且对其进行实时监控。为了识别运行异常的服务器/设备每小时都要从每一台服务器中收集大量关于服务器/IoT设备性能的测量数据。Python库tsfeature可以协助我们计算每个时间序列上的特征向量测量序列的不同特征包括滞后相关性、季节性强度、光谱熵等。在本文中我们将讨论时间序列中不同的特征提取技术并以两个不同的时间序列为例进行演示。常用的特征提取指标数据科学中最常用的特征提取机制之一—主成分分析法Principal Component AnalysisPCA也被用于时间序列特征提取。对特征进行主成分分析后可以对前两个主成分应用多种双变量离群值检测方法。这样就可以根据其特征向量识别出最不寻常的序列。使用的双变量离群值检测方法以最高密度区域为基础进行的。在使用ARIMA等经典方法对时间序列进行建模时方差或波动率随时间的变化可能会导致一些问题。ARCHAutoregressive Conditional Heteroskedasticity方法在股票预测等波动性高的时间序列模型中起着至关重要的作用它可以用来测量随时间变化的方差如波动率的增减。接下来我们将介绍一些时间序列特征、功能及相关信息。下面这段代码展示了我们如何使用一行代码来提取相关特征。源代码tsf_hp  tf.holt_parameters(df2[# Direct_1].values) print(tsf_hp)tsf_centrpy  tf.count_entropy(df2[# Direct_1].values) print(tsf_centrpy)tsf_crossing_points tf.crossing_points(df2[# Direct_1].values) print(tsf_centrpy)tsf_entropy tf.entropy(df2[# Direct_1].values) print(tsf_entropy)tsf_flat_spots tf.flat_spots(df2[# Direct_1].values) print(tsf_flat_spots)tsf_frequency tf.frequency(df2[# Direct_1].values) print(tsf_frequency)tsf_heterogeneity  tf.heterogeneity(df2[# Direct_1].values) print(tsf_heterogeneity)tsf_guerrero tf.guerrero(df2[# Direct_1].values) print(tsf_guerrero)tsf_hurst  tf.hurst(df2[# Direct_1].values) print(tsf_hurst)tsf_hw_parameters  tf.hw_parameters(df2[# Direct_1].values) print(tsf_hw_parameters)tsf_intv  tf.intervals(df2[# Direct_1].values) print(tsf_intv)tsf_lmp  tf.lumpiness(df2[# Direct_1].values) print(tsf_lmp)tsf_acf  tf.acf_features(df2[# Direct_1].values) print(tsf_acf)tsf_arch_stat  tf.arch_stat(df2[# Direct_1].values) print(tsf_arch_stat)tsf_pacf  tf.pacf_features(df2[# Direct_1].values) print(tsf_pacf)tsf_sparsity  tf.sparsity(df2[# Direct_1].values) print(tsf_sparsity)tsf_stability  tf.stability(df2[# Direct_1].values) print(tsf_stability)tsf_stl_features  tf.stl_features(df2[# Direct_1].values) print(tsf_stl_features)tsf_unitroot_kpss  tf.unitroot_kpss(df2[# Direct_1].values) print(tsf_unitroot_kpss)tsf_unitroot_pp  tf.unitroot_pp(df2[# Direct_1].values) print(tsf_unitroot_pp)其结果表明了从胎儿心电图Fetal ECG中提取的特征值。结果时间序列-1数据来自Fetal ECG下图显示了从Fetal ECG中收集的时间序列数据从中提取了特征。{alpha: 0.9998016430979507, beta: 0.5262228301908355} {count_entropy: 1.783469256071135} {crossing_points: 436} {entropy: 0.6493414196542769} {flat_spots: 131} {frequency: 1} {arch_acf: 0.3347171050143251, garch_acf: 0.3347171050143251, arch_r2: 0.14089508110660665, garch_r2: 0.14089508110660665} {hurst: 0.4931972012451876} {hw_alpha: nan, hw_beta: nan, hw_gamma: nan} {intervals_mean: 2516.801557547009, intervals_sd: nan} {guerrero: nan} {lumpiness: 0.01205944072461473} {x_acf1: 0.8262122472240574, x_acf10: 3.079891123506255, diff1_acf1: -0.27648384824011435, diff1_acf10: 0.08236265771293629, diff2_acf1: -0.5980110240921641, diff2_acf10: 0.3724461872893135} {arch_lm: 0.7064704126082555} {x_pacf5: 0.7303549429779813, diff1x_pacf5: 0.09311680507880443, diff2x_pacf5: 0.7105000333917864} {sparsity: 0.0} {stability: 0.16986190432765097} {nperiods: 0, seasonal_period: 1, trend: nan, spike: nan, linearity: nan, curvature: nan, e_acf1: nan, e_acf10: nan} {unitroot_kpss: 0.06485903737928193} {unitroot_pp: -908.3309773009415}结果表明了与日期温度变化相关的提取的特征值。结果时间序列-2数据来自每日气温{alpha: 0.4387345064923509, beta: 0.0} {count_entropy: -101348.71338310161} {crossing_points: 706} {entropy: 0.5089893350876903} {flat_spots: 10} {frequency: 1} {arch_acf: 0.016273743642920828, garch_acf: 0.016273743642920828, arch_r2: 0.015091960217949008, garch_r2: 0.015091960217949008} {hurst: 0.5716257806690483} {hw_alpha: nan, hw_beta: nan, hw_gamma: nan} {intervals_mean: 1216.0, intervals_sd: 1299.2740280633643} {guerrero: nan} {lumpiness: 5.464398615083545e-05} {x_acf1: -0.0005483958183129098, x_acf10: 3.0147995912148108e-06, diff1_acf1: -0.5, diff1_acf10: 0.25, diff2_acf1: -0.6666666666666666, diff2_acf10: 0.4722222222222222} {arch_lm: 3.6528279285796827e-06} {nonlinearity: 0.0} {x_pacf5: 1.5086491342316237e-06, diff1x_pacf5: 0.49138888888888893, diff2x_pacf5: 1.04718820861678} {sparsity: 0.0} {stability: 5.464398615083545e-05} {nperiods: 0, seasonal_period: 1, trend: nan, spike: nan, linearity: nan, curvature: nan, e_acf1: nan, e_acf10: nan} {unitroot_kpss: 0.29884876591708787} {unitroot_pp: -3643.7791982866393}总结在上文中我们讨论了从时间序列两个时间序列都具有季节性1中提取特征的简单步骤这可以帮助我们发现异常现象。从计算出的指标中不难看出第一个序列更加稳定稳定性和熵给出的值更高因为时间戳数据的周期较长与整个周期相比其波动相对较小。第二个时间序列显示出了更高的波动性表现为交叉点较多。因此我们还观察到第二个时间序列的块度和区间均值也较低这表示其方差的方差更小。unirooot_kpss和unirooot_kpss表明向量中存在单位根在两个时间序列中分别小于1和为负数。tsfeature还支持对以NumPy数组形式输入的自定义函数进行求值并返回一个以特征名为键及其值的字典。参考文献https://github.com/FedericoGarza/tsfeatureshttps://htmlpreview.github.io/?https://github.com/robjhyndman/M4metalearning/blob/master/docs/M4_methodology.html#featureshttps://cran.r-project.org/web/packages/tsfeatures/tsfeatures.pdfhttps://robjhyndman.com/papers/icdm2015.pdfhttps://math.berkeley.edu/~btw/thesis4.pdfhttps://machinelearningmastery.com/develop-arch-and-garch-models-for-time-series-forecasting-in-python/https://ir.nctu.edu.tw/bitstream/11536/14555/1/A1997YD78100005.pdfPrincipal Component Analysis for Time Series and Other Non-Independent Data – https://link.springer.com/chapter/10.1007%2F0-387-22440-8_12原文链接https://hackernoon.com/key-tactics-the-pros-use-for-feature-extraction-from-time-series-e7q3wfr本文由CSDN云计算翻译转载请注明出处更多阅读推荐如何破解“中国开源拿来主义”包云岗的几点分析打钱我的数据库被黑客勒索了一文教你如何在生产环境中在Kubernetes上部署Jaeger华为定义5.5G网络阿里巴巴美股投资者发起集体诉讼Kaldi核心算法K2 0.1版本发布|极客头条2020年区块链和加密领域的女性数量激增