Python 與 SAS 資料的日期時間處理
在資料科學的世界裡，時間的掌握至關重要。本文將引領您探索 Python 和 SAS 在時間處理方面的精妙之處，從基礎概念到進階技巧，助您成為時間管理大師。
時間序列分析
14
Articles
時間序列預測的神經網路技術：LSTM 與 DeepAR 模型應用
本文探討 LSTM 與 DeepAR 模型在時間序列預測中的應用。LSTM 藉由記憶單元和門控機制有效處理長序列資料，而 DeepAR 則根據自迴歸遞迴網路，提供機率預測，量化未來的不確定性。文章將深入剖析這兩種模型的架構、工作原理、程式碼實作、評估方法以及實際應用中的挑戰。
TimeGPT：時間序列預測的生成式人工智慧模型
本文探討 TimeGPT 作為首個時間序列預測基礎模型的應用，分析其架構與運作原理，並深入研究如何利用生成式人工智慧技術提升時間序列預測的效率與準確性。同時，文章也探討了牛鞭效應和購物車裝載現象等供應鏈議題，並以航空乘客預測案例示範如何使用 NeuralForecast
NBEATS 神經網路時間序列預測技術深度解析與應用
本文探討 NBEATS（神經基礎擴充套件分析）在時間序列預測中的應用，解析其核心技術、架構組態及實際操作步驟，並以 AirPassengers 資料集為例，演示如何使用 Python 程式碼進行模型訓練、預測與評估。同時，文章也涵蓋了其他深度學習模型如 DeepAR、TCN
TimesFM 模型深度解析與零樣本時序預測應用
本文探討 TimesFM 模型的架構、引數設定、資料準備與預測流程，並以實際案例展示其在零樣本時序預測中的應用。同時，文章也分析了零樣本預測的挑戰、模型評估指標以及多層感知機、MOIRAI、RNN 和 Transformer 等相關技術，並探討了自然語言處理技術在時間序列分析中的應用。
根據Transformer與線性模型的時間序列預測技術
本文探討使用 Transformer 和線性模型進行時間序列預測，以航空旅客預測為例，比較 iTransformer、DLinear 和 NLinear 模型的效能。文章涵蓋資料預處理、模型訓練、預測和評估，並深入解釋自相關機制、時間延遲聚合以及 DLinear 和 NLinear
Moirai 與 TimesFM：時序預測模型深度解析
本文探討 Moirai 和 TimesFM 兩種先進的時序預測模型。Moirai 模型具備強大的預測能力和靈活性，能夠處理多頻率資料並提供多場景機率預測。文章以 AirPassengers 資料集為例，演示了 Moirai 模型的資料準備、模型初始化、風險評估、錯誤度量計算和預測視覺化等步驟。此外，本文也介紹了
TimesFM：根據解碼器架構的時序預測模型應用
本文介紹了 TimesFM，一個根據解碼器架構的基礎模型，並展示其在單變數和多變數時序預測中的應用。文章以航班乘客數和電價預測為例，詳細說明瞭資料準備、模型組態、預測生成和效能評估等關鍵步驟，並輔以程式碼實作和圖表分析，闡明瞭 TimesFM 在處理不同型別時序資料時的有效性和靈活性。
Time-LLM：根據大語言模型的時間序列預測技術
本文介紹 Time-LLM，一種利用大語言模型 (LLM) 進行時間序列預測的新技術。Time-LLM 透過前置詞和補丁輸入，利用 LLM 生成嵌入，再經平坦化和線性投影轉換為時間序列預測。文章以 AirPassengers 資料集為例，展示了 Time-LLM 在單變數時間序列預測上的應用，並提供了 Python
大語言模型 Time-LLM 與 Chronos 時間序列預測實戰
本文探討如何應用大語言模型（LLM）進行時間序列預測，並介紹 Time-LLM 和 Chronos 模型的架構、技術細節及實戰應用。文章涵蓋了時間序列資料處理、模型訓練、預測生成以及模型評估等關鍵步驟，並提供了 Python 程式碼示例和詳細的解說，幫助讀者理解和應用這些技術。
變壓器模型應用於時序預測與 PatchTST 技術解析
本文探討如何利用變壓器模型進行時序預測，並解析 PatchTST 模型的技術細節與應用。文章以航空乘客數量預測為例，使用 Python 和 NeuralForecast 函式庫示範如何構建、訓練和評估模型，同時提供程式碼範例和圖表說明，幫助讀者理解變壓器模型在時序資料處理中的應用。
能源經濟學模型：供需曲線與時間序列分析
本文探討能源經濟學中供需曲線和時間序列分析的應用，使用簡化模型分析供需曲線行為，並探討國內生產總值、製造業產出和工業產出對供需曲線的影響。同時，研究能源供應、需求和價格的變化趨勢和相互關係，並使用 Granger 因果關係測試分析能源相關變數之間的因果關係。最後，分析能源消耗與經濟成長之間的關係，並使用共整合分析和
Transformer 模型應用於長時間序列預測的技術解析
本文探討 Transformer 模型在長時間序列預測中的應用，並解析 Informer 模型的關鍵技術，包含 ProbSparse 注意力機制、生成式解碼器以及嵌入技術。文章同時提供 Vanilla Transformer 的 Python
時間序列分析與 Time-LLM 模型應用
本文探討 Transformer 模型在時間序列分析中的應用，並深入介紹 Time-LLM 框架如何將大語言模型（LLM）重新程式設計以用於時間序列預測。文章比較了微調和重新程式設計的差異，並詳細說明 Time-LLM 的架構、流程以及關鍵技術，例如分塊、片段重新程式設計、提示字首設計等。此外，文章也提供