Grocery Prices Continue to Rise, as Forecast Path Steepens
今天发行的CPI发行：图1：CPI在家中的食品（黑色），USDA经济研究服务局（USDA经济研究服务局（USDA）1月份（蓝色广场），2月（红色三角形），从3月开始（绿色倒三角），按日志规模。资料来源：BLS通过Fred，ERS，作者的计算。请注意，USDA ERS预测是基于时间序列分析的预测。它没有[…]
The Yield Curve: Steepening *and* Inverting
时间序列，用于3M10，2S10，以及1yr-FFR Spriz Miller（2019）在1个月的地平线上识别为Max Auroc Auroc衰退预测指标。图1：10yr-3mo国库期限（蓝色，左尺度），10年2岁的国库期（红色，左标），1yr-fed Funds（浅绿色），全部以％为百分比，近距离（绿色，右尺度）。资料来源：财政部，CBOE通过[…]
若い世代が結婚・子育てに望ましいと思う制度１位は?－理想の夫婦像激変時代の人材確保対策を知る
从统计上讲，日本的出生率下降与未婚（首次婚姻之间的婚姻减少）平行，1970年的出生和首次婚姻数量为193万和103万，但在2023年，2023年是730,000和360,000，是730,000和360,000，而出生率下降到38％和38％的玛利亚数落到38％的人数中，39％的人数为39％。出生和婚姻的数量已显着减少60％*1，几乎没有差异。 “结婚的意愿”通常被称为减少婚姻原因的理论，但没有显着减少*2，几乎没有能力来解释婚姻的显着减少。另一方面，过去半个世纪关于婚姻的统计“突然变化”因素之一是当今青年和他们的父母一代之间“一对已婚夫妇的理想形象”的主要变化[图1]。尽管年轻一代理想的家庭形
欢迎来到我们的每月摘要，您可以在这里赶上您可能错过的任何AIHUB故事，仔细阅读最新消息，回顾最近的事件等等。本月，我们探讨了时间序列的内核表示学习，了解机器学习中的公平性，并在出版世界中解决不良练习。启动我们的2025年访谈[…]
Pandas Can’t Handle This: How ArcticDB Powers Massive Datasets
Python 已经发展成为数据科学的主导，其包 Pandas 已成为数据分析的首选工具。它非常适合表格数据，如果您有大容量 RAM，它支持高达 1GB 的数据文件。在这些大小限制内，它也适用于时间序列数据，因为它带有一些[…]帖子 Pandas 无法处理这个问题：ArcticDB 如何为海量数据集提供支持首先出现在 Towards Data Science 上。
59. International Development Report, IDER 24-4: Financial Indicators in 164 countries
该表包括了22个人口超过6700万的国家的指标，并与世界平均水平进行了比较。 IDER 报告 24-4 在期刊 AEID 第 24-2 卷的文章中包括一个包含 164 个国家数据的表格。PH21 是 2021 年的人均 GDP（美元）和购买力平价。CREDH 是人均信贷BH 是人均银行信贷DH 是人均银行存款NPL 是不良贷款百分比Pop 是人口（千人）”对 2021 年 164 个国家样本的发展与金融指标之间的因果关系进行分析的主要结论如下（如 Guisan（2024）在 AEID 24-1 中的文章所述）。“对 2021 年本研究国际样本的估计方程的分析，提出了几个实证证据：1）DH：以实
若い世代が結婚・子育てに望ましいと思う制度１位は？－理想の夫婦像激変時代の人材確保対策を知る
从统计上看，日本的少子化现象是与未婚人口增加（初婚减少）同步发展的。 1970年，出生人口和初婚人数分别为193.4万和102.9万，但到2023年，这两个数字将分别为72.7万和35.6万，这意味着出生人口下降到38%，结婚人口下降到39% 。出生人数和结婚人数都大幅下降，下降了60%1，下降幅度相差无几。人们常常将“结婚意愿”作为初婚数量大幅下降的感性原因，但这一因素实际上并没有下降多少，2 但这不足以解释结婚数量的急剧下降。另一方面，半个世纪以来，导致婚姻状况发生显著变化的一个因素是，当今的年轻人和他们的父母那一代人对“婚姻的理想形象”存在很大差异（图1）。尽管年轻一代对理想家庭结构的生
Macro-Financial Models of Canadian Dollar Interest Rate Swap Yields
本文分析了以加元计价的利率互换收益率的动态。它采用自回归分布滞后 (ARDL) 模型，使用月度时间序列数据来估计当前短期利率和其他相关宏观金融变量对利率互换收益率的影响。
IEEE Transactions on Emerging Topics in Computational Intelligence, Volume 8, Issue 6, December 2024
1) 多人差分博弈系统的去中心化触发和基于事件的积分强化学习作者：Chaoxu Mu、Ke Wang、Song Zhu、Guangbin Cai页数：3727 - 37412) 基于同步视频和 EEG 的儿童癫痫发作检测作者：Jiuwen Cao、Yuan Fang、Xiaonan Cui、Runze Zheng、Tiejia Jiang、Feng Gao页数：3742 - 37533) 考虑隐私的在线优化零阶去中心化对偶平均作者：Keke Zhang、Qingguo Lü、Xiaofeng Liao、Huaqing Li页数：3754 - 37664) 不平衡和不完整时间序列数据的深度回归建
Leveraging Periodicity for Robustness with Multi-modal Mood Pattern Models
*平等贡献者来自可穿戴传感器的数据（例如心率、步数）可用于模拟情绪模式。我们使用多模态离散时间序列数据表征特征表示和建模策略，使用具有自然缺失的大型数据集（n=116,819 名参与者）进行情绪模式分类，使用 12 个可穿戴数据流，重点是捕捉数据的周期性趋势。综合考虑性能和鲁棒性，基于周期性的具有梯度提升模型的聚合特征表示优于其他表示和架构……
Publication: Introducing the wiiw COMECON Dataset
本文介绍了社会主义保加利亚、捷克斯洛伐克的经济时间序列历史数据集……
Optimizing the Data Processing Performance in PySpark
PySpark 技术和策略解决常见的性能挑战：实践演练Apache Spark 近年来凭借其强大的分布式数据处理能力成为领先的分析引擎之一。PySpark 是 Spark 的 Python API，通常用于个人和企业项目以解决数据挑战。例如，我们可以使用 PySpark 高效地实现时间序列数据的特征工程，包括提取、提取和可视化。然而，尽管它能够处理大型数据集，但在极端数据分布和复杂的数据转换工作流等各种情况下仍然会出现性能瓶颈。本文将研究使用 Databricks 上的 PySpark 进行数据处理时的各种常见性能问题，并介绍各种微调策略以实现更快的执行速度。照片由 Veri Ivanova
MOIRAI-MOE: Upgrading MOIRAI with Mixture-of-Experts for Enhanced Forecasting
流行的基础时间序列模型刚刚更新！继续阅读 Towards Data Science »
LLM Evaluation, AI Side Projects, User-Friendly Data Tables, and Other October Must-Reads
是否想写出您的第一篇 TDS 文章？我们始终欢迎新作者的投稿。我们似乎正处于日历上的一个甜蜜点，即夏末和假期来临前的最后高峰之间——换句话说，这是一年中学习、修修补补和探索的最佳时机。我们 10 月份阅读次数最多的文章反映了这种专注的精神，涵盖了一系列实践主题。从可行的 AI 项目想法和数据科学收入流到易于理解的时间序列分析和 LLM 指南，这些故事很好地代表了我们作者的专业知识广度以及他们（和我们的读者）兴趣的多样性。如果您还没有阅读它们，现在就是最佳时机？每月亮点您可以在本周末构建的 5 个 AI 项目（使用 Python）如果您还没有撸起袖子，那么很快就会撸起袖子：我们 10 月份阅读次
Ensemble Learning for Anomaly Detection
深入研究隔离森林模型以检测时间序列数据中的异常异常检测是任何组织必备的功能。通过检测异常和离群值，我们不仅可以识别看似可疑（或可能错误）的数据，还可以确定“正常”数据是什么样子。异常检测可以识别数据错误，从而成为强大数据治理系统的重要功能。对于分析而言，异常值在某些情况下（例如欺诈检测和预测性维护）可能是一个关注点。然而，随着数据的增长，异常检测会变得越来越困难。高维数据带有噪声，难以用于分析和洞察。大型数据集也可能存在错误和/或特殊情况。值得庆幸的是，集成学习带来了速度和效率，帮助我们处理高维数据并检测异常。什么是集成学习？集成学习是一种机器学习技术，它结合了多个单独模型的预测，以获得比任何
Neural Networks for Flexible Multivariate Forecasting
一个简单的分步指南，帮助您开始使用神经网络进行时间序列预测继续阅读 Towards Data Science »
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 9, September 2024
1) GIFTWD：基于前景理论的广义直觉模糊三支决策模型作者：戴建华，陈涛，张凯，刘敦，丁伟平页数：4805 - 48192) 多尺度决策信息系统中基于直觉模糊数的前景理论三支决策方法作者：肖义斌，詹建明，张超，吴伟志页数：4820 - 48343) 一种用于时间序列数据多粒度模糊关联分析的新型三支深度学习方法作者：蒋春茂，段颖页数：4835 - 48454) 一种融合模糊偏好关系下三支聚类和遗憾理论的大规模群体决策方法作者：郭伦，詹建明，张超，徐泽水页数： 4846 - 48605) 基于模糊规则的投资组合选择系统使用技术分析作者：Ahmad Zaman Khan、Pankaj Gupta
