Friki Work

Este proyecto detalla la implementación de un modelo de red neuronal basado en TCN (Temporal Convolutional Network) y BiLSTM (Bidirectional Long Short-Term Memory) para la clasificación y predicción de series temporales multicaracterística utilizando MATLAB. La combinación de TCN y BiLSTM permite capturar tanto las dependencias locales a corto ...

La recolección de datos a menudo genera valores ausentes debido a fallos en sensores, problemas de transmisión o mantenimiento. En series temporales, la imputación es más compleja porque las observaciones son secuenciales. Además, el mecanismo que causa la ausencia (MCAR, MAR, NMAR) influye en la estrategia óptima. Causas de datos faltantes y s ...

Para implementar InfluxDB, una base de datos especializada en series temporales, utilizando Docker, se requiere seguir una serie de pasos y comandos. A continuación, se detalla el proceso completo desde la instalación hasta las operaciones básicas. Instalación de InfluxDB mediante Docker Primero, se descarga la imagen oficial de InfluxDB desde ...

La eliminación de ruido de series temporales es una tarea crítica en diversas disciplinas, desde la ingeniería biomédica hasta el análisis de vibraciones. A menudo, la distinción entre señal y ruido puede ser ambigua, lo que dificulta la aplicación de métodos tradicionales. Este artículo presenta una metodología híbrida que combina la Descompos ...

PatchTST: Transformación de series temporales Las series temporales multivariantes se tratan como señales de múltiples canales. Cada serie temporal se descompone en secuencias individuales y cada una se introduce como un token separado en el backbone de un Transformer. Luego, se genera una predicción para cada serie individual, cuyos resultados ...

Introducción a PyTorchTS PyTorchTS es un marco de trabajo de código abierto para el pronóstico probabilístico de series temporales, construido sobre PyTorch y con GluonTS como backend. Ofrece herramientas para implementar modelos avanzados como DeepAR, facilitando el flujo completo desde la carga de datos hasta la generación de predicciones con ...

Los métodos predominantes en el pronóstico de series temporales (TSF), como los basados en Transformer y MLP, enfrentan desafíos al tratar con datos del mundo real complejos. Las series temporales del mundo real suelen exhibir patrones diversos en diferentes escalas, y los cambios futuros están determinados por la interacción de estas escalas s ...

La Descomposición de Modo Empírico (EMD) es una técnica poderosa para analizar señales no lineales y no estacionarias, descomponiéndolas en un conjunto de Modos Intrínsecos (IMFs) y un residuo. A continuación, se presenta una implementación en MATLAB y se explican sus componentes. Función Principal de Análisis EMD function [imfs, residual, t] ...