Super_CCo-CSDN博客

在这篇文章中，在这里我主要介绍，与其他预测相比，我们在时间序列预测中经常谈论的时间特征到底是什么，时域和频域的时间特征有什么区别，以及我们如何应用时间特征完成预测。时频域分析结合了时域和频域的信息来分析信号随时间和频率的变化。在某些特殊情况下，我们无法观测到数据是否具有隐藏的时序特征，因此我们需要进行频域分析，将时域特征转化为频域特征可能有助于捕获周期性模式。我们可以看到，所有场景的应用（未来预测）都是基于提取历史指标在每个时间点的特征表达，而这个历史指标是随着时间具有明显变化，且可以直接观察到的。

2024-01-12 07:59:14 1139

原创 [GNN4TRAFFIC]2018 - T-GCN- A Temporal Graph Convolutional Network for Traffic Prediction

2018 - T-GCN- A Temporal Graph Convolutional Network for Traffic Prediction

2021-08-31 06:56:05 142

原创 Python Review

1.Write a function called digit_sum that takes a positive integer n as input and returns the sum of all that number’s digits. For example: digit_sum(1234) should return 10 which is 1 + 2 + 3 + 4. (Assu

2017-11-24 19:12:56 441

原创 docker 基础教程

Get orientation先决基础：IP地址和端口虚拟机编辑配置文件编程基础计算机硬件使用术语image和container区别： image：轻量级，包含代码，运行时间，库等一系列文件 container：执行时的image，脱离host环境运行

2017-11-14 15:04:31 223

原创 Tensorflow基础学习笔记

个人理解：机器学习通过已知数据，经过机器，得到需求的未知数据的过程

2017-08-18 15:19:59 290

原创 Python错误集合

python入门错误集合ValueError: math domain error此处使用求根公式，发生 ValueError: math domain error 错误错误名称：数学域错误原因：某些操作不符合数学定义，如对负数取对数，对负数开平方。零为被除数root1=2* C/0，故报错浮点数乘法精确度原因是实数的无限精度和内存的有限精度使用round（a*b）

2017-08-18 11:26:23 363

原创 VIVADO中重新设置参数IP核

老师给定实验代码，需自己生成core文件后导入给定代码的IP核中。存在问题：给定实验代码的使用版本较我现在使用版本旧。实验代码IP核被锁住，无法直接更改解决：新版本vivado直接选择automatically打开新项目双击原IP核，弹出“IP is locked”时，在IP核上右键选择“update IP”，后再双击，就可以重新设置IP核参数了

2017-08-13 13:38:26 5756

原创通俗易懂的Git使用入门教程

通俗易懂的Git使用入门教程首先新司机接触 Git 和 Github 可能会搞不清楚两者之间的关系，这里稍微解释一下：Git是一款免费、开源的分布式版本控制系统Github是用Git做版本控制的代码托管平台想要具体了解两者的联系的可以参考大白话解释 Git 和 GitHub.主要了解什么是Git,为什么要使用Git,以及其中commit（提交／快照）概念；Github中push、pull，re

2017-08-13 13:35:21 43667

qq_31117191的博客

原创 React -前端组件及个例

原创【GNN for Communication】Privacy-Preserving Decentralized Inference With GNN in Wireless Networks 2

原创【GNN for Communication】Privacy-Preserving Decentralized Inference With GNN in Wireless Networks 1

原创【freecodecamp】【前端开发】通过开发一个角色扮演游戏学习JS 基础

原创使用机器学习/深度学习进行时间序列预测：第 4 部分实际应用场景中简单但有用的时间序列统计方法 - 误差趋势季节性模型

原创使用机器学习/深度学习进行时间序列预测：第 3 部分基于xgboost时间序列建模以及如何提高模型精度

原创使用机器学习/深度学习进行时间序列预测：第 2 部分 - ML&DL 的时间序列特征提取

原创使用机器学习/深度学习进行时间序列预测：第 1 部分 - 对时间序列特征提取的理解