问题标签 [periodicity]

我想使用与我正在使用的数据不同的时间框架指标。我已经看到这个问题问了几次，但目前还没有解决方案（至少对我来说）。

下面的示例使用每日股票数据，但实际项目使用日内货币数据。我现在可以轻松地导入日内 csv 数据，因此示例和现实世界应该足够互换。

添加 SMA 作为，在这种情况下，每日指标是一种享受

然而试图添加，在这种情况下，每周 SMA

直接调用 Close 列而不Cl(x)导致相同的错误。我这样做是因为TTR:::runSum如果给出多于一列的数据会抛出上述错误。

我不完全确定问题出在哪里，所以一些帮助会很棒。

此函数设置当前上下文的交换间隔，即在交换窗口缓冲区并从 glfwSwapBuffers 返回之前等待的屏幕更新次数。这有时称为“垂直同步”、“垂直回溯同步”或“垂直同步”。

意思是不是

也就是说，循环的周期与计算任务无关，或者

也就是说，延迟被添加为执行循环的额外时间。

我想在 MATLAB 中求解一个微分方程

这里dt, MyDiff,tSpan和X0在前面的代码中定义。问题是，离散化步骤dt非常小，而总模拟时间tSpan(end)非常大。此外，预计解会从某个时间 T 开始变成周期性的，周期为P。在这里，周期P是先验的，而时间T不是。

我想做的是在解决方案X变为周期性时自动停止 ode113-solver，以节省计算时间。我将不胜感激任何关于我应该如何做到这一点的想法。

直到现在我的想法：

1. 第一个子问题是如何在发现周期性时停止 Matlab 求解器。MATLAB 包含通过事件函数停止 ode113 求解器的选项：

   odeopts = odeset('MaxStep',dt,'Events',MyEventFcn);

但是，必须MyEventFcn是当前时间步长的函数。似乎不可能通过这些信息来确定周期性。在我看来，唯一的方法似乎是使用一个全局参数，该参数包括之前所有时间的值，最多可达预期周期的两倍。但是，这对我来说似乎很不优雅和低效，我希望有更好的方法。tXXP

2. 第二个问题是如何确定解X是周期性的 period P。目前我认为最好的方法是使用自相关函数的阈值xcorr(X)，但我还不确定细节，所以这里的任何建议也会很有用。

编辑：我实现了一个解决方案，几乎遵循我之前的想法，使用全局变量来跟踪 X 值并使用 xcorr 来检测周期性。想了一会儿，这实际上似乎是最直接的方法。

下面是包含许多列的 csv 文件的快照（实际文件非常大）。每列对应一个“系统状态”的时间戳值。我打算找到的是这些列出现的周期，即系统状态会重复自身以及以什么周期重复。我一直在 python 中寻找 fft2 ，但现在还不了解句号提取。请帮忙，因为我不是傅立叶变换的新手，也没有以前的知识。

一个矩阵在一列中表示。前两列用于矩阵单元识别。大多数值是零，但不是全部。

我的程序的算法步骤

假设我有一个包含一百个测量值的时间序列 t，每个条目代表每天的测量值。我假设信号中存在一定的周期性——它可能每天、每周或每月重复一次。

将时间序列转换为傅立叶域可能有助于找到这样的周期性？

我如何使用 numpy 的 fft 模块为我的时间序列找到最可能的时期？

我想使用周期性分量分析检测 EEG 通道中的周期性分量。我简要描述了该过程，因为该算法不是很知名。

我最小化周期性误差函数：error(τ)= E[s(t+τ) -s(t)] / E[s(t)^2]，τ时滞在哪里。如果我定义矩阵A(τ), C, error(τ)=(w'*A(τ)*w)/(w'*C*w) = Rayleigh(A(τ), C, w). 因此，它的最小值是 ( Α(τ), C) 的最小广义特征值，在一定的时滞 τ 内。

我运行piCA了一系列时间滞后，通常我在最小化误差函数的局部最小值处检测周期性分量的周期（使用最小的广义特征值）。 [E,W]=piCA( Xeeg, [minlag maxlag], 'pre', [1 1 1]); 它给出了变换矩阵W和E所有对 ( A[τ], C) 的广义特征值的矩阵。

是否有可能检测到正确的周期性分量，不是用最小特征值计算的函数，而是用第二小的特征值计算的函数的局部最小值？

见下图：

绿线显然是所有时滞的最小误差函数，但它没有局部最小值！！！因此，结果只能来自蓝线函数，它是使用第二小的特征值计算的。：/

我正在开发一种用于比较两个数字列表的算法。这些列表表示使用稳健的峰值检测方法在信号中发现的峰值。我希望想出一些方法来确定峰值是同相、异相还是两者都没有（无法确定）。例如：

这些阵列将被考虑在阶段：

[ 94 185 278 373 469], [ 89 180 277 369 466]

但是这些数组将是异相的：

[51 146 242 349], [99 200 304 401]

不要求数组必须具有相同的长度。我已经研究过测量周期性，但是在这种情况下，我可以假设信号已经是周期性的。

我的另一个想法是将所有数组元素除以它们的索引（或它们的索引+1），以查看它们是否聚集在一个或两个点周围，但这并不可靠，并且如果缺少单个峰值就会失败。

什么方法可能对解决这个问题有用？

所以我有一个具有伪环形运动的对象（编辑：具有非恒定周期）。我用 30 fps 的相机拍摄它，每 3 帧提取一次它的位置 X 和 Y。而且，这个圆周运动的中心是移动的。

参赛资料：

• 框架,列表
• X 和 Y , 2 个列表

对于 Frame[i]，对象的位置是 X[i] 和 Y[i]。

如果你想看看它的样子（3000 万视频）：

此外，我的数据有“间隙”，有时我可以从第 600 帧到第 690 帧，因为在我的视频中没有正确检测到对象。数据已经用一阶低通滤波器过滤（在按段插值之后）。

我的问题是，我找不到一个好的算法来计算旋转次数，而没有太多的可变性。

当前算法使用 X 和 Y 的伪周期性：

在 Python 中：

该当前解决方案具有很高的可变性，具体取决于：

• 长度
• “计数高于值”：如果我取平均值（X）或平均值（X）+ 10，我会得到完全不同的结果。

你知道如何减少这种可变性吗？或者关于计算旋转的算法的想法？或者在计数之前结合 X 和 Y 的方法？

由于 (t = 0, X = 1, Y = 0) 的旋转可以用 X = cos(t) 和 Y = sin(t) 来描述，我认为有一种方法可以将 X 和 Y 相加或相乘为了分析 X 和 Y 的线性组合。

我有一个包含半年（半年）数据点的时间序列。

似乎 ts() 函数无法处理，因为“频率 = 2”返回一个非常奇怪的时间序列对象，该对象远远超出实际时间段。

有没有办法在 R 中对这种时间序列对象进行时间序列分析？

编辑：这是一个例子：

我期待：

我有一个包含 12 年天气数据的数据集。在前 10 年，每天记录数据。在过去的两年里，它现在每周记录一次。我想在 Python Pandas 中使用这些数据进行分析，但我对如何对其进行标准化以供使用几乎没有迷失。

我的想法

1. 使用平均值将前 10 年的数据也转换为每周数据。可能有效，但翻译过程中丢失了很多数据。
2. 每周数据无法转换为每天数据。
3. 忽略每日数据——这是一个巨大的损失
4. 忽略每周数据 - 我丢失了最近的数据。

对此有什么想法吗？