城市轨道客流时序数据

中国城市轨道交通发展数据（2002-2021年）.csv

中国城市轨道交通数据涵盖了各城市轨道交通的发展历程，包括线路长度、乘客运营量和运营时间等关键信息。这些数据不仅有助于研究城市经济发展水平和交通拥堵状况，还能帮助研究者比较各城市在轨道交通建设上的优劣，提出有效的发展策略。数据来源于公众号“ARCGIS数据洋”，涵盖2002年至2021年共计400条样本数据，包括13个指标如地区、线路长度、车站数等。

数据挖掘 2 2024-07-16

pyculiarity 时序数据异常检测

pyculiarity 用于时序数据异常检测，能有效识别异常值。

数据挖掘 2 2024-05-13

时序数据异常检测的综述

随着时间数据分析领域的发展，时序数据异常检测变得越来越重要。这项技术专注于识别时间序列中的异常模式和趋势，为数据分析和预测提供可靠的基础。通过应用先进的算法和技术，研究人员能够有效地监测和分析数据中的异常点，进而改进预测模型的准确性和可靠性。

算法与数据结构 2 2024-07-14

时序数据的自相关分析图像和时序数据的自相关计算及其应用

特里斯坦·乌塞尔在2018年8月提出了一种新的自相关计算方法，称为imageautocorr。这种方法可以对时序数据或图像进行自相关分析，输出归一化相关系数在-1到1之间的自相关矩阵。用户可以通过不同的输入方式调用imageautocorr函数，包括直接加载图像文件或数据路径。这种方法不仅适用于图像数据，也可以用于任何类型的有序数据，为研究和应用提供了广泛的可能性。

Matlab 0 2024-10-01

IBM Informix 12.1 时序数据用户指南

Informix 是 IBM 旗下的关系型数据库管理系统，作为 IBM 在线事务处理的旗舰级数据服务系统，该产品将作为集成解决方案提供。IBM 将持续规划 Informix 和 DB2 的发展，使这两个数据库产品相互借鉴技术优势。IBM 在 2005 年初发布了 Informix Dynamic Server（IDS）第 10 版。目前最新的版本是 IDS11（v11.50，代号为“Cheetah 2”），于 2008 年 5 月 6 日全球同步上市。

Informix 3 2024-04-29

金融时序数据频繁模式挖掘算法研究

金融时序数据蕴含着丰富的市场信息，有效挖掘其中的频繁模式对于预测市场趋势、防范金融风险具有重要意义。然而，金融时序数据具有高噪声、高维度的特点，传统频繁模式挖掘算法难以有效应用。 针对上述问题，重点研究面向金融时序数据的快速频繁模式挖掘算法。首先，对金融时序数据进行预处理，降低噪声干扰并提取关键特征；其次，设计高效的频繁模式挖掘算法，降低算法时间复杂度，提高挖掘效率；最后，通过实验验证所提算法在金融时序数据集上的有效性和效率。 的研究成果预期能够为金融市场分析提供新的技术支持，推动金融风险防控和智能决策的发展。

数据挖掘 1 2024-06-11

OpenTSDB时序数据库数据写入方法详解

在使用OpenTSDB进行数据写入时，注意选择合适的方法，以确保数据点能够成功写入。由于OpenTSDB不提供格式化或存储错误的自动纠正功能，错误的数据点可能会被拒绝写入。因此，建议使用HTTP API方式，而非Telnet，以提高数据写入的准确性和有效性。

Hbase 0 2024-10-25

MATLAB Loglet实验IV - 时序数据分析工具

Loglet Lab是用于分析时序数据中物流行为的软件包，逻辑替换模型可以应用于多个时间序列。Loglet显示为S形曲线或其连续序列，反映出技术市场中的增长和下降行为。Loglet Lab源于Perrin Meyer的C和MATLAB代码，现已更新为Visual C++，提供了Windows可视化界面。

Matlab 0 2024-08-11

Redis作为时序数据库：原因和方法

原因： 高性能写入和查询 灵活的数据模型，可处理各种时序数据类型 持久化保证，防止数据丢失 方法： 使用Sorted Sets存储时间序列数据 设置合理的过期时间以优化性能 使用脚本来处理数据聚合和压缩

Redis 8 2024-05-13