معرفی شرکت ها
PSF-Py-0.3
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
PSF: Pattern Sequence-based Forecasting (PSF) algorithm
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | PSF-Py-0.3 |
| نام | PSF-Py |
| نسخه کتابخانه | 0.3 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Mayur Shende, Neeraj Bokde |
| ایمیل نویسنده | mayur.k.shende@gmail.com, neerajdhanraj@gmail.com |
| آدرس صفحه اصلی | https://github.com/pypa/sampleproject |
| آدرس اینترنتی | https://pypi.org/project/PSF-Py/ |
| مجوز | - |
# PSF_Py
Version: 0.3\
Date: 9/4/2019\
Author: Mayur Shende, Neeraj Bokde\
Maintainer: Mayur Shende <mayur.k.shende@gmail.com>, Neeraj Bokde <neerajdhanraj@gmail.com>\
License: GPL (>= 3)\
Packaged: 2019-04-13 17:15:59 UTC\
### Introduction to Pattern Sequence based Forecasting (PSF) algorithm
Pattern Sequence Based Forecasting (PSF) takes univariate time series data as input and assist to forecast its future values. This algorithm forecasts the behavior of time series based on similarity of pattern sequences. Initially, clustering is done with the labeling of samples from database. The labels associated with samples are then used for forecasting the future behaviour of time series data.
The Algorithm Pattern Sequence based Forecasting (PSF) was first proposed by Martinez Alvarez, et al., 2008 and then modified and suggested improvement by Martinez Alvarez, et al., 2011. The technical detailes are mentioned in referenced articles. PSF algorithm consists of various statistical operations like:
* Data Normalization/ Denormalization
* Calculation of optimum Window size (W)
* Calculation of optimum cluster size (k)
* Pattern Sequence based Forecasting
* RMSE/MAE Calculation, etc..
---
### Example 1:
```python
from PSF_Py import Psf, get_ts
import pandas as pd
ts = get_ts('nottem')
# Creating PSF model for prediction.
a = Psf(data = ts, cycle = 12)
# Use predict to predict the values
a.predict(n_ahead = 12)
# Print the model
a.model_print()
# Plot the time series
a.psf_plot(ts, a.preds)
```
Output :
Original time-series :
0 40.6
1 40.8
2 44.4
3 46.7
4 54.1
5 58.5
6 57.7
7 56.4
8 54.3
9 50.5
10 42.9
11 39.8
12 44.2
13 39.8
14 45.1
15 47.0
16 54.1
17 58.7
18 66.3
19 59.9
20 57.0
21 54.2
22 39.7
23 42.8
24 37.5
25 38.7
26 39.5
27 42.1
28 55.7
29 57.8
...
210 61.4
211 61.8
212 56.3
213 50.9
214 41.4
215 37.1
216 42.1
217 41.2
218 47.3
219 46.6
220 52.4
221 59.0
222 59.6
223 60.4
224 57.0
225 50.7
226 47.8
227 39.2
228 39.4
229 40.9
230 42.4
231 47.8
232 52.4
233 58.0
234 60.7
235 61.8
236 58.2
237 46.7
238 46.6
239 37.8
Name: nottem, Length: 240, dtype: float64
Predicted Values :
[39.4 40.9 42.4 47.8 52.4 58. 60.7 61.8 58.2 46.7 46.6 37.8]
k = 3
w = 12
cycle = 12
[//]: # (TODO: Add image)
---
### Example 2:
```python
from PSF_Py import Psf, get_ts
import pandas as pd
ts = get_ts('penguin')
# Creating PSF model for prediction.
a = Psf(data=ts, cycle=12)
# Use predict to predict the values
a.predict(n_ahead=12)
# Print the model
a.model_print()
# Plot the time series
a.psf_plot(ts, a.preds)
```
Output:
Original time-series :
0 753
1 448
2 356
3 504
4 698
5 256
6 361
7 476
8 541
9 812
10 914
11 998
12 762
13 461
14 374
15 521
16 712
17 274
18 384
19 492
20 561
21 821
22 930
23 1014
24 779
25 478
26 391
27 543
28 910
29 287
...
54 225
55 304
56 416
57 642
58 769
59 853
60 572
61 273
62 208
63 341
64 553
65 136
66 231
67 299
68 403
69 632
70 759
71 848
72 561
73 268
74 212
75 331
76 542
77 128
78 225
79 301
80 389
81 624
82 748
83 842
Name: Number, Length: 84, dtype: int64
Predicted Values :
[572. 273. 208. 341. 553. 136. 231. 299. 403. 632. 759. 848.]
k = 3
w = 14
cycle = 12
[//]: # (TODO: Add Image)
---
نیازمندی
| مقدار | نام |
|---|---|
| - | pandas |
| - | numpy |
| - | scikit-learn |
| - | matplotlib |
نحوه نصب
نصب پکیج whl PSF-Py-0.3:
pip install PSF-Py-0.3.whl
نصب پکیج tar.gz PSF-Py-0.3:
pip install PSF-Py-0.3.tar.gz