qq_20466211的博客

XR控制图：子样本数量较小。XS控制图：子样本数量较大。IMR图。CPK分析图。

八大判异准则由Western Electric公司提出，广泛应用于X-bar-R图、X-bar-S图、I-MR图等控制图分析。

基于SPSSPRO，可以通过拖拉拽的方式轻松进行数据分析，无需编程基础。

假设检验的目的是通过样本数据来验证或拒绝一个关于总体参数的假设，它广泛应用于医学研究、社会科学、市场分析等领域，举例单样本T检验和独立样本T检验。

根据自然周期(1)获取某年的总天数。(2)获取某年的总周数。(3)获取某日期属于某年的周数。(4)获取某年某周的开始时间和结束时间。(5)获取往前num周期的开始时间和结束时间。

窗口函数用于执行一系列统计计算，如移动平均、累积求和等。这些计算通常基于数据的一个固定大小的窗口，并且可以沿着数据集滑动应用。

通过对信号构造延迟向量并进行奇异值分解，来分析信号的周期性、趋势和噪声。

利用变分原理找到信号的最佳模态基，可以同时估计信号的模态和对应的频率，适合处理含有多个频率成分的信号。

通过检测信号的局部均值合局部波动来分解信号，适用于含有频率变化和瞬时频率分析的信号。

2pi是因为一个完整的圆/周期有2pi的弧度。转换后除以的周期持续时间(日、周或年)。然后就可以将每个时间戳映射到一个唯一的角度，该角度通过乘以弧度数来表示它在周期中的位置。

提取时间戳的特定部分，如小时、周天、月份等，用于捕捉周期性模式。One-hot编码简单且易于实现，在Python中，最简单的方法是使用pd.get_dummies。

时间序列通常会经历结构性断裂或变化，这些变化会引入非平稳性，从而改变时间序列的整体分布，这些标志着变化开始的时间点被称为变化点。Changefinder模块适用于实时数据的变点检测，对于变点得分查找位置索引，使用简单排序法和归并排序法进行了对比。

时间序列通常会经历结构性断裂或变化，这些变化会引入非平稳性，从而改变时间序列的整体分布，这些标志着变化开始的时间点被称为变化点。Ruptures库提供了多种变化点检测算法的实现，包括PELT(修剪精确线性时间)、基于核的算法和动态规划算法等。

可视化时间序列数据是具有挑战性,尤其是涉及多个数据集时。精心设计的可视化不仅能清晰地传达信息,还能减少观察者的认知负荷,使其更容易提取有意义的洞察。

一般使用窗口和多步的方法构建数据集，但存在预测时会将未来值作为输入的问题。

TCN通过使用卷积操作代替递归结构，能够并行处理输入数据，减少训练时间。TCN使用因果卷积和扩张卷积来捕捉时间序列中的长期依赖关系。

GRU是LSTM的简化版本，它通过合并LSTM中的遗忘门和输入门简化了结构，使得计算效率更高。在某些任务上，GRU的表现与LSTM相当甚至更好，且参数较少，训练速度更快。

LSTM 是一种改进的循环神经网络，专门设计用于处理序列数据中的长期依赖问题。标准的 RNN 容易出现梯度消失，导致无法有效捕捉长时间依赖关系，而 LSTM 通过引入记忆单元和门控机制来缓解这一问题。

XGBoost 是一种基于梯度提升（Gradient Boosting）的集成学习方法。它通过逐步构建决策树，每棵树都在前一棵树的残差（误差）基础上进行学习，以最小化损失函数。

随机森林是一种集成学习算法，通过构建多个决策树来提高模型的稳定性和泛化能力。它的核心思想是通过随机采样来构建多棵决策树，每棵树都在样本的不同子集上训练，最终通过对所有树的预测结果进行平均（回归问题）或投票（分类问题）来生成最终预测。

结合了小波分析和经验模态分解的优点，自适应地生成小波基来适应信号特性，适用于具有时变特性的信号分析。

结合时变滤波器特性与EMD，适应信号中随时间变化的特性进行分解。

CEEMDAN是CEEMD的一个改进版，确保了在每次分解中噪声的自适应性，进一步优化了分解质量和稳定性。

CEEMD在EEMD的基础上更进一步，通过添加正负成对的辅助白噪声，然后分别进行EMD分解并求平均，以更有效地消除噪声影响，提高分解质量。

为了解决EMD中的模态混叠问题，EEMD通过向原始信号中添加少量白噪声并多次执行EMD来实现，然后对结果取平均，以抑制由随机性引入的偏差，提高分解的稳定性和可靠性。

EMD是一种自适应的数据分析方法，能够将复杂信号分解为一系列本征模态函数IMFs，每个IMF代表信号中不同尺度的振动模式，从而揭示信号的多尺度特征，特别适合非线性非平稳信号的分析。

Feature-engine是一款旨在简化机器学习模型特征工程流程的开源Python库。它提供了一系列工具和技术，可高效进行特征工程，包括但不限于缺失数据填补、变量转换、编码和特征选择等功能。

对于时间序列文本数据，可以使用时间线或时间轴来展示数据随时间的变化。

卡尔曼滤波是一种递归滤波算法，广泛用于动态系统的状态估计，能够处理噪声干扰。它通过贝叶斯推断动态调整对当前状态的估计，适合平滑和预测时间序列。

电影死亡笔记中，根据L对三个问题的推理，体会数据分析思维的美感

理解时间序列滑动窗口的思想，基于pandas滑动窗口rolling函数进行分析，非常规但很实用的基于resample函数分组的功能。

python中的低代码数据分析工具，支持EDA数据探索的工具，如Dataprep，Dtable

pandas.merge_asof()函数是pandas库中的一个非常实用的函数，用于根据时间戳将两个数据集进行合并。该函数可以很好地处理时间戳不完全匹配的情况，并进行模糊匹配。理解groupby：split(分割)、apply(应用)、combine(组合)。(1)split：按照指定的key分割dataframe；(2)apply：对每个组应用聚合函数；(3)combine：将所有的聚合结果合并成一个数据框。

使用ARIMA模型对国际航空乘客数据进行了建模和预测。结果表明，ARIMA模型在一定程度上能够准确预测未来的乘客数量，尤其是在季节性趋势较为明显的情况下。

将LSTM与注意力机制结合时，通常的做法是在LSTM的输出上引入注意力权重，以便模型可以根据不同时间步的重要性来聚焦不同部分的输入序列。这有助于模型更有效地学习序列数据的长期依赖关系。

基于keras的VMD-LSTM和VMD-CNN-LSTM预测风速进行效果对比，变分模态分解后结合CNN提取特征

基于keras对单输入单输出模式、多输入单输出模式、多输入多输出模式下LSTM的预测效果进行对比分析

对比LSTM和CNN-LSTM在单变量模型预测中的效果，并使用LSTM训练多变量模型

先经过经验模态EMD分解,然后通过数据预处理，制作和加载数据集与标签，最后通过Pytorch实现EMD-LSTM模型对风速数据的预测，对比LSTM和EMD-LSTM的预测效果

基于PyTorch训练模型的一般步骤1 数据加载、2 去除异常值、3 数据归一化、4 切分窗口、5 制作数据集加载器、6 定义模型、7 训练模型、8 模型评估。