Exponentially Weighted Moving-Average
指数加权平均值 一下是基于pandas的。
应该是和exponential smoothing or Holt–Winters method 是基于一个基础的。
DEMO, 原址:http://connor-johnson.com/2014/02/01/smoothing-with-exponentially-weighted-moving-averages/
# -*- coding: utf-8 -*- """ Created on Sat Nov 01 13:02:50 2014@author: dell """import pandas, numpy as np ewma = pandas.stats.moments.ewma import matplotlib.pyplot as plt# make a hat function, and add noise x = np.linspace(0,1,100) x = np.hstack((x,x[::-1])) x += np.random.normal( loc=0, scale=0.1, size=200 ) plt.plot( x, alpha=0.4, label='Raw' ) # take EWMA in both directions with a smaller span term fwd = ewma( x, span=15 ) # take EWMA in fwd direction bwd = ewma( x[::-1], span=15 ) # take EWMA in bwd direction c = np.vstack(( fwd, bwd[::-1] )) # lump fwd and bwd together c = np.mean( c, axis=0 ) # average # regular EWMA, with bias against trend plt.plot( ewma( x, span=20 ), 'b', label='EWMA, span=20' ) # "corrected" (?) EWMA plt.plot( c, 'r', label='Reversed-Recombined' ) plt.legend(loc=8) plt.savefig( 'ewma_correction.png', fmt='png', dpi=100 )
DEMO II
# -*- coding: utf-8 -*- """ Created on Sat Nov 01 14:10:05 2014@author: dell """import numpy as np import matplotlib.pyplot as pltdef holt_winters_second_order_ewma( x, span, beta ):N = x.sizealpha = 2.0 / ( 1 + span )s = np.zeros(( N, )) b = np.zeros(( N, )) s[0] = x[0] for i in range( 1, N ): s[i] = alpha * x[i] + ( 1 - alpha )*( s[i-1] + b[i-1] ) b[i] = beta * ( s[i] - s[i-1] ) + ( 1 - beta ) * b[i-1] return s # make a hat function, and add noise x = np.linspace(0,1,100) x = np.hstack((x,x[::-1])) x += np.random.normal( loc=0, scale=0.1, size=200 ) + 3.0 plt.plot( x, alpha=0.4, label='Raw' ) # holt winters second order ewma plt.plot( holt_winters_second_order_ewma( x, 10, 0.3 ), 'b', label='Holt-Winters' ) plt.title('Holt-Winters' ) plt.legend( loc=8 ) plt.savefig( 'holt_winters.png', fmt='png', dpi=100 )
转载于:https://www.cnblogs.com/hluo/p/4067149.html
Exponentially Weighted Moving-Average相关推荐
- EWMA(Exponentially Weighted Moving Average)指数加权移动平均
原博:http://blog.csdn.net/sony_zhang/article/details/7256646 EWMA(Exponentially Weighted Moving Averag ...
- 信号采样基本概念 —— 5. 加权移动平均滤波(Weighted Moving Average Filtering)
在上一章,我们介绍了使用滑动窗口以及平均值denoising,那么既然可以使用平均值denoising,那么也必然可以用权重替代均值进行denoising. 文章目录 什么是加权移动平均滤波(Weig ...
- 理解滑动平均(exponential moving average)
1. 用滑动平均估计局部均值 滑动平均(exponential moving average),或者叫做指数加权平均(exponentially weighted moving average),可以 ...
- YOLOv5的Tricks | 【Trick7】指数移动平均(Exponential Moving Average,EMA)
如有错误,恳请指出. 文章目录 1. 移动平均法 2. 指数移动平均 3. TensorFlow中的EMA使用 4. Yolov5中的EMA使用 这篇博客主要用于整理网上对EMA(指数移动平均)的介绍 ...
- EMA指数滑动平均(Exponential Moving Average)
指数滑动平均(Exponential Moving Average) 指数滑动平均也叫权重移动平均(Weighted Moving Average),是一种给予近期数据更高权重的平均方法. 假设有nn ...
- 移动平均(Moving Average)
作者:石川 链接:https://zhuanlan.zhihu.com/p/38276041 来源:知乎 已获得作者同意转载. 1 前言 移动平均(Moving Average,MA),又称移动平均线 ...
- oracle数据库移动平均均线,Moving Average(MA移动平均线)
MA(Moving Average)移动平均线指标是将一定时间段的市场价格进行移动平均值,求出一个趋势值,用来作为价格走势的研判工具,它的目的是由平均数值来形成一个趋势图 如图所示: MA指标具体的计 ...
- AR模型、MA(Moving Average)模型、ARMA模型、时间序列的定阶、ARIMA、SARIMAX
AR模型.MA(Moving Average)模型.ARMA模型.时间序列的定阶.ARIMA.SARIMAX 目录 AR模型.MA(Moving Average)模型.ARMA模型.时间序列的定阶.A ...
- TENSORFLOW GUIDE: EXPONENTIAL MOVING AVERAGE FOR IMPROVED CLASSIFICATION
Parameter Selection via Exponential Moving Average When training a classifier via gradient decent, w ...
- ARIMA(Autoregressive Integrated Moving Average Model)
目录 1 相关概念 1.1 平稳性 1.2 时间序列的弱平稳性 1.3 差分法 1.3.1 概念 1.3.2 差分的性质 1.3.3 差分方程的概念 1.4 问题定义 2 自回归模型(Autoregr ...
最新文章
- Mysql系列(三)—— Mysql主从复制配置
- CentOS 6.5下编译安装新版LNMP
- 3.7 PPP协议和HDLC协议
- 面试官:前端跨页面通信,你知道哪些方法?
- android源码查看源码的版本
- VS2008部分使用技巧
- ios 一直是正在等待审核_iOS开发者账号被调查了,相关问题整理
- 数据结构-图的进阶代码
- java final class 性能_java中final修饰基本变量后的效率问题
- NO.55 网页中压缩的问题
- hive当前日期超前_微博数仓数据延时优化方案
- Oracle安装教程
- 达尔豪斯大学 计算机专业排名,加拿大留学计算机专业排名
- Python count() 方法
- (入门、全面、通用)树莓派Raspbian系统安装配置,篇一
- 软考-高项-论文-信息系统项目的进度管理
- Gradle同步工程下载依赖慢
- 简易的单点登录系统代码实现
- php json_decode gbk,,json_decode含gbk字串
- Android Telephony
热门文章
- 一文带你全面解析postman工具的使用(基础篇)
- Intent 与 IntentFilter 详解
- 25. (附加)二叉树的所有路径(C++版本)
- C++ 单例模式 模版类(Meyers‘ Singleton)
- idea Terminal配置cmder(增加nodejs,git配置,jdk本地环境)
- mysql设置远程登录
- redis新数据类型-Geospatial
- html文本框部分字体变颜色,实现文本框内,部分字体颜色、字号等自定义
- 高性能mysql系统设计_MySQL 高性能表设计规范
- python psutil模块怎么在线下载_python之psutil模块