开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

有没有一个R包可以加速时间序列分析中的滞后和差异？

在云计算领域，有一个名为"forecast"的R包可以加速时间序列分析中的滞后和差异。

"forecast"是一个用于时间序列分析和预测的R包，它提供了一系列功能和算法，可以帮助用户进行滞后和差异的处理。该包包含了许多用于时间序列建模和预测的函数，如自回归移动平均模型（ARIMA）、指数平滑（Exponential Smoothing）、季节性分解（Seasonal Decomposition of Time Series）等。

使用"forecast"包进行滞后和差异处理可以帮助用户更好地理解时间序列数据的趋势和季节性，并进行准确的预测。通过该包提供的函数，用户可以进行滞后和差异的计算、模型拟合、预测和评估等操作。

"forecast"包的优势在于其丰富的功能和灵活性。它支持多种时间序列模型和算法，可以根据具体需求选择合适的方法进行分析和预测。此外，该包还提供了可视化工具，可以帮助用户更直观地理解时间序列数据的特征和模型结果。

在云计算领域，腾讯云提供了一系列与数据分析和机器学习相关的产品和服务，可以与"forecast"包结合使用，以加速时间序列分析中的滞后和差异处理。其中，腾讯云的数据仓库产品TencentDB for PostgreSQL可以作为"forecast"包的数据源，提供高性能的数据存储和查询服务。同时，腾讯云的机器学习平台Tencent Machine Learning Studio可以用于构建和训练时间序列模型，并与"forecast"包进行集成。

更多关于"forecast"包的详细介绍和使用方法，可以参考腾讯云的官方文档：forecast R包介绍。

相关搜索:在R中，有没有一种方法可以从每日时间序列数据创建两天的聚合？我想将数据分成两个数据集:一个训练数据集和一个测试数据集。(R中的时间序列分析)有没有一个函数可以找出一个netCDF文件的最后一个时间戳和下一个netCDF文件的第一个时间戳之间的差异？为了在R/Python中获得更多的行数，有没有什么包可以模拟/伪造一个小的数据集？在R中，有没有一种方法可以在一个命令中删除未知长度的向量的第一个和最后一个元素，而不使用软件包？云时代服务器云服务器赞助云服务器企业云服务器合租邮件服务器软

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

访谈 | 与吉林大学统计系教授聊聊时间序列分析

本期嘉宾朱复康博士，吉林大学数学学院概率统计系教授，研究方向为时间序列分析、保险精算，主要教授时间序列分析、多元统计分析与线性模型、统计软件、概率统计、数理统计、多元统计分析、统计基础等研究生和本科课程...问答汇总坛友lzguo568：朱复康老师，我平时喜欢学习有关统计方面知识，也看一些有关时间序列分析、多元统计分析与线性模型的书籍，对统计软件SPSS和R及Python也熟悉。...请问对于金融交易的时间序列数据分析方法中，有没有成功的非线性科学或者说复杂理论的一些模型？国内有些基金和证券公司简单地采用的HURST指数用于量化择时靠谱吗？...你的生存模型有没有可能移植到金融交易的时间序列数据分析中，另外传统的富里叶分析等技术对于金融交易的时间序列数据分析还有优势吗？...你一个个打开去观察，看哪个滞后阶数使得结论最下方一栏中的AIC 和SC值最小，那么该滞后阶数则为最佳滞后阶数。” 3. 最好先做季节调整，以消除季节趋势，再做单位根检验。

1.5K10 0

使用R语言进行时间序列（arima，指数平滑）分析

p=3609 读时间序列数据您要分析时间序列数据的第一件事就是将其读入R，并绘制时间序列。您可以使用scan（）函数将数据读入R，该函数假定连续时间点的数据位于包含一列的简单文本文件中。...一旦将时间序列数据读入R，下一步就是将数据存储在R中的时间序列对象中，这样就可以使用R的许多函数来分析时间序列数据。要将数据存储在时间序列对象中，我们使用R中的ts（）函数。...为了估计可以使用加性模型描述的非季节性时间序列的趋势分量，通常使用平滑方法，例如计算时间序列的简单移动平均值。 “TTR”R包中的SMA（）函数可用于使用简单的移动平均值来平滑时间序列数据。...要使用此功能，我们首先需要安装“TTR”R软件包。一旦安装了“TTR”R软件包，就可以输入以下命令加载“TTR”R软件包：然后，您可以使用“SMA（）”功能来平滑时间序列数据。...然后，我们可以使用ARIMA模型使用“预测”R包中的“forecast.Arima（）”函数对时间序列的未来值进行预测。

5K6 1

R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据

例如，后轴运算符可用于计算的时间序列值的滞后差异ÿy经由yi−Bk(yi),∀i∈k+1,…,tyi−Bk(yi),∀i∈k+1,…,t其中kk表示的差异滞后。...对于k=1k=1，我们获得普通的成对差异，而对于k=2k=2我们获得相对于前任先前的成对差异。让我们考虑R中的一个例子。使用R，我们可以使用diff函数计算滞后差异。...正如我们所看到的，采用对数已经使季节性成分的幅度沿时间均衡。请注意，总体增长趋势没有改变。在R中分解时间序列数据要分解R中的时间序列数据，我们可以使用该decompose函数。...左图显示了一个平稳过程，其中数据在所有测量中表现相似。右图显示了一个非平稳过程，其中平均值随着时间的推移而增加。介绍了与时间序列数据分析相关的最重要概念后，我们现在可以开始研究预测模型。...我们可以使用包中的Arima函数来拟合模型forecast。我们现在可以使用该模型来预测未来Nino 3.4地区的气温如何变化。有两种方法可以从预测模型中获得预测。

3.1K2 0

R语言时间序列和ARIMA模型预测拖拉机销售的制造案例研究

您可以在以下链接中找到以前的部分：第1部分：时间序列建模和预测简介第2部分：在预测之前将时间序列分解为解密模式和趋势第3部分：ARIMA预测模型简介 ARIMA模型 - 制造案例研究示例回到我们的制造案例研究示例...该想法是识别残差中AR和MA组分的存在。以下是生成ACF和PACF图的R代码。 ? 因为，在无效区域（虚线水平线）之外的图中有足够的尖峰，我们可以得出结论，残差不是随机的。...这意味着AR和MA模型可以提取残差中信息。此外，在滞后12处的残差中存在可用的季节性分量（由滞后12处的尖峰表示）。...这是有道理的，因为我们正在分析由于拖拉机销售模式而往往具有12个月季节性的月度数据。步骤6：确定最佳拟合ARIMA模型 R中的预测包中的自动动态功能有助于我们即时识别最适合的ARIMA模型。...以下是相同的代码。请在执行此代码之前在R中安装所需的“预测”包。

1.6K1 0

R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析|附代码数据

p=23485 最近我们被客户要求撰写关于神经网络的研究报告，包括一些图形和统计输出。用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。...使用MLP进行预测使用R软件包，您可以生成外推（单变量）预测，也可以包含解释变量。单变量预测最简单的形式，您只需输入要建模的时间序列。...z <- 1:(length()+24) # 我为预测增加了24个额外的观测值 z <- cbind(z) # 把它转换成一个列数 # 添加一个滞后0的回归因子，并强制它留在模型中...中使用LSTM解决序列问题 4.Python中用PyTorch机器学习分类预测银行客户流失模型 5.R语言多元Copula GARCH 模型时间序列预测 6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析...7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数 8.R语言估计时变VAR模型时间序列的实证研究分析案例 9.用广义加性模型GAM进行时间序列分析

2990 0

R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告

p=23485 用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。...这增加了神经网络的鲁棒性，但也有助于减少训练时间。使用MLP进行预测使用R软件包，您可以生成外推（单变量）预测，也可以包含解释变量。单变量预测最简单的形式，您只需输入要建模的时间序列。...z <- 1:(length()+24) # 我为预测增加了24个额外的观测值 z <- cbind(z) # 把它转换成一个列数 # 添加一个滞后0的回归因子，并强制它留在模型中...本文选自《R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告》。...R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测时间序列数据 Matlab用深度学习长短期记忆（LSTM）

5311 0

时间序列和ARIMA模型预测拖拉机销售的制造案例研究

第1部分：时间序列建模和预测简介第2部分：在预测之前将时间序列分解为解密模式和趋势第3部分：ARIMA预测模型简介 ARIMA模型 - 制造案例研究示例回到我们的制造案例研究示例，准备好开始分析...步骤1：将拖拉机销售数据绘制为时间序列首先，您已为数据准备了时间序列图。以下是您用于读取R中的数据并绘制时间序列图表的R代码。...这意味着AR和MA模型可以提取残差中的果汁或信息。此外，在滞后12处的残差中存在可用的季节性分量（由滞后12处的尖峰表示）。...这是有道理的，因为我们正在分析由于拖拉机销售模式而往往具有12个月季节性的月度数据。步骤6：确定最佳拟合ARIMA模型 R中的预测包中的自动动态功能有助于我们即时识别最适合的ARIMA模型。...以下是相同的代码。请在执行此代码之前在R中安装所需的“预测”包。

7163 0

时间序列分析算法【R详解】

大多数公司都是基于时间序列数据来分析第二年的销售量，网站流量，竞争地位和更多的东西。然而很多人并不了解的时间序列分析这个领域。所以，如果你不了解时间序列模型。...重要推论每年的趋势显示旅客的数量每年都在增加七八月的均值和方差比其他月份要高很多每个月的平均值并不相同，但是方差差异很小。因此，可以看出具有很强的周期性。，一个周期为12个月或更少。...当n>某一个值时，x(t)与x(t-n)的相关性总为0.AM模型仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，步骤模型变量相对独立的假设条件约束，所构成的模型可以消除普通回退预测方法中由于自变量选择...- AR的PACF为截尾序列，即当滞后期k>p时PACF=0的现象。 ? ? 上图蓝线显示值与0具有显著的差异。...参考资料 A Complete Tutorial on Time Series Modeling in R 时间序列第八章时间序列分析

2.7K6 0

系列文章| R语言分布滞后线性和非线性模型DLM和DLNM建模应用|附代码数据

在此，我们开发了分布式滞后非线性模型（DLNM），这是一个可以同时代表非线性暴露-反应依赖性和滞后效应的建模框架。...----点击标题查阅内容R语言分布滞后非线性模型（DLNM）研究发病率，死亡率和空气污染示例左右滑动查看更多01020304R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据本文演示了在时间序列分析中应用分布滞后线性和非线性模型...本文描述的示例涵盖了时间序列数据DLNM方法的大多数标准应用，并探讨了DLNM包用于指定、总结和绘制此类模型。...（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。...中使用LSTM和PyTorch进行时间序列预测R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测Python

3700 0

系列文章| R语言分布滞后线性和非线性模型DLM和DLNM建模应用|附代码数据

在此，我们开发了分布式滞后非线性模型（DLNM），这是一个可以同时代表非线性暴露-反应依赖性和滞后效应的建模框架。...----点击标题查阅内容R语言分布滞后非线性模型（DLNM）研究发病率，死亡率和空气污染示例左右滑动查看更多01020304R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据本文演示了在时间序列分析中应用分布滞后线性和非线性模型...本文描述的示例涵盖了时间序列数据DLNM方法的大多数标准应用，并探讨了DLNM包用于指定、总结和绘制此类模型。...（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。...中使用LSTM和PyTorch进行时间序列预测R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测Python

3590 0

R语言分布滞后非线性模型（DLNM）研究发病率，死亡率和空气污染示例|附代码数据

时间序列之外的应用分布滞后模型首先是在很久以前的计量经济时间序列分析中提出的[Almon，1965]，然后在环境流行病学Schwartz [2000]的时间序列数据中重新提出。...点击标题查阅往期内容 R语言分布滞后线性和非线性模型（DLM和DLNM）建模分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响 R语言中的分布滞后非线性模型DLNM...与发病率和空气污染示例【视频】R语言中的分布滞后非线性模型（DLNM）与发病率，死亡率和空气污染示例 R语言分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响 R...R语言分布滞后线性和非线性模型（DLM和DLNM）建模 R语言广义相加模型 (GAMs)分析预测CO2时间序列数据 Python | ARIMA时间序列模型预测航空公司的乘客数量 R语言中生存分析模型的时间依赖性...和PyTorch进行时间序列预测 R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 Python中的ARIMA

5080 0

R语言分布滞后非线性模型（DLNM）研究发病率，死亡率和空气污染示例|附代码数据

时间序列之外的应用分布滞后模型首先是在很久以前的计量经济时间序列分析中提出的[Almon，1965]，然后在环境流行病学Schwartz [2000]的时间序列数据中重新提出。...点击标题查阅往期内容R语言分布滞后线性和非线性模型（DLM和DLNM）建模分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响R语言中的分布滞后非线性模型DLNM与发病率和空气污染示例...【视频】R语言中的分布滞后非线性模型（DLNM）与发病率，死亡率和空气污染示例R语言分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响R语言分布滞后线性和非线性模型...（DLMs和DLNMs）分析时间序列数据R语言分布滞后非线性模型（DLNM）空气污染研究温度对死亡率影响建模应用R语言分布滞后非线性模型（DLNM）研究发病率，死亡率和空气污染示例R语言分布滞后线性和非线性模型...（DLM和DLNM）建模R语言广义相加模型 (GAMs)分析预测CO2时间序列数据Python | ARIMA时间序列模型预测航空公司的乘客数量R语言中生存分析模型的时间依赖性ROC曲线可视化R语言ARIMA

7970 0

Python时间序列分析全面指南（附代码）

如何检验时间序列的季节性？ 15. 如何处理时间序列中的缺失值？ 16. 什么是自回归和偏自回归函数？ 17. 如何计算偏自回归函数？ 18. 滞后图 19. 如何估计时间序列的预测能力？ 20....然而，并不是所有时间序列必须有一个趋势和/或季节性。时间序列可能没有不同的趋势但是有一个季节性。反之亦然。所以时间序列可以被看做是趋势、季节性和误差项的整合。...怎样分解时间序列的成分？你可以通过将序列作基线水平，趋势，季节性指数和残差的加法或乘法组合来实现一个经典的时间序列分解。...例如，药品销售时间序列是每年都有重复模式的一个月度序列。所以，你可以看到第12,24和36条线等的峰值。...滞后图滞后图是一个时间序列对其自身滞后量的散点图。它通常用于检查自相关。如果序列中存在如下所示的任何模式，则该序列是自相关的。如果没有这样的模式，这个序列很可能是随机的白噪声。

1.4K1 1

R语言分布滞后非线性模型（DLNM）研究发病率，死亡率和空气污染示例

时间序列之外的应用分布滞后模型首先是在很久以前的计量经济时间序列分析中提出的[Almon，1965]，然后在环境流行病学Schwartz [2000]的时间序列数据中重新提出。...---- 点击标题查阅往期内容 R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据 R语言分布滞后线性和非线性模型（DLM和DLNM）建模 R语言广义相加模型 (GAMs)分析预测...CO2时间序列数据 Python | ARIMA时间序列模型预测航空公司的乘客数量 R语言中生存分析模型的时间依赖性ROC曲线可视化 R语言ARIMA，SARIMA预测道路交通流量时间序列分析:季节性...R语言神经网络模型预测车辆数量时间序列卡尔曼滤波器：用R语言中的KFAS建模时间序列在Python中使用LSTM和PyTorch进行时间序列预测 R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析...使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测 R语言k-Shape时间序列聚类方法对股票价格时间序列聚类

5.8K3 1

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列|附代码数据

检查下面是AAPL对数收益时间序列及其ACF，这里我们要寻找显著的滞后期（也可以运行pacf）或存在序列自相关。...点击标题查阅往期相关内容 R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模左右滑动查看更多 01 02 03 04 我们可以看到，平方序列的...估计在这一节中，我们试图用auto.arima命令来拟合最佳arima模型，允许一个季节性差异和一个水平差异。正如我们所知，{Yt}的一般ARIMA(p,d,q)。...最后，我们可以手动编写代码来查看随时间变化的波动率和对数收益率rt，如下图。 # 这将有助于在对数收益率上绘制sigma随时间变化的图。...还有一个家族叫做随机波动率模型，它允许模型中存在随机性，而GARCH假设我们对波动率进行了完美的建模（如果你对你所分析的序列非常熟悉，这可能是一个好的假设，但实际情况并不总是这样）。

4900 0

独家 | Python时间序列分析：一项基于案例的全面指南

如何检验时间序列的季节性？ 15. 如何处理时间序列中的缺失值？ 16. 什么是自回归和偏自回归函数？ 17. 如何计算偏自回归函数？ 18. 滞后图 19. 如何估计时间序列的预测能力？ 20....然而，并不是所有时间序列必须有一个趋势和/或季节性。时间序列可能没有不同的趋势但是有一个季节性。反之亦然。所以时间序列可以被看做是趋势、季节性和误差项的整合。...怎样分解时间序列的成分？你可以通过将序列作基线水平，趋势，季节性指数和残差的加法或乘法组合来实现一个经典的时间序列分解。...滞后图滞后图是一个时间序列对其自身滞后量的散点图。它通常用于检查自相关。如果序列中存在如下所示的任何模式，则该序列是自相关的。如果没有这样的模式，这个序列很可能是随机的白噪声。...所以需要了解Granger因果检验不能应用于Y的滞后量引起Y自身的变化的情况，而通常仅用于外源变量（不是Y的滞后量）。它在statsmodel包中得到了很好的实现。

3.1K3 0

R语言分布滞后非线性模型（DLNM）空气污染研究温度对死亡率影响建模应用|附代码数据

DLNMs以前只在流行病学方面进行过简单的描述：本文的目的是严格地发展这种方法，并描述在统计软件R中专门编写的软件包dlnm中的实现，提供一个使用真实数据集的应用实例。...我们简要描述了时间序列分析中使用的基本模型，并介绍了基础的概念，作为描述变量和因变量之间非线性关系的一般方法。我们概述了在时间上滞后效应的复杂性，并提供了一个简单的DLMs的一般表示。...函数sj也可以通过基于广义加性模型的非参数方法来指定。然而，在目前的发展中，我们依靠的是一种完全的参数化方法。在环境因素的时间序列分析中，结果Yt通常是每日计数，假定来自所谓的过度分散泊松分布。...# 3-D 图 plot(ns.pred,label="Temperature") 点击标题查阅往期内容 R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据左右滑动查看更多 01...DLNM在概念上是简单的，但又足够灵活，允许有广泛的模型，包括以前使用的简单模型和更复杂的新变体。概念上的简单性允许构建一个R包来拟合这种广泛的模型。

6240 0

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测|附代码数据

2017 年年中，R 推出了 Keras 包 _，_这是一个在 Tensorflow 之上运行的综合库，具有 CPU 和 GPU 功能本文将演示如何在 R 中使用 LSTM 实现时间序列预测。...简单的介绍时间序列涉及按时间顺序收集的数据。我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。时间 t 在 T=Z 的情况下可以是离散的，或者在 T=R 的情况下是连续的。...为简化分析，我们将仅考虑离散时间序列。长短期记忆 (LSTM) 网络是一种特殊的循环神经网络 (RNN)，能够学习长期依赖关系。...也就是说，有一个目标变量 Y 和预测变量 X。为了实现这一点，我们通过滞后序列来变换序列，并将时间 (t−k)的值作为输入，将时间 t 的值作为输出，用于 k 步滞后数据集。...sps= laorm head(sps) 将数据集拆分为训练集和测试集与大多数分析中训练和测试数据集是随机抽样的不同，对于时间序列数据，观察的顺序确实很重要。

7330 0

R语言中的时间序列分析模型：ARIMA-ARCH GARCH模型分析股票价格|附代码数据

时间序列分析是统计学中的一个主要分支，主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值简介时序分析有两种方法，即频域和时域。...前者主要基于傅立叶变换，而后者则研究序列的自相关，并且使用Box-Jenkins和ARCH / GARCH方法进行序列的预测。本文将提供使用时域方法对R环境中的金融时间序列进行分析和建模的过程。...时间序列数据集的平稳性和差异：1.平稳性：对时间序列数据建模的第一步是将非平稳时间序列转换为平稳时间序列。这是很重要的，因为许多统计和计量经济学方法都基于此假设，并且只能应用于平稳时间序列。...区别：为了将非平稳序列转换为平稳序列，可以使用差分方法，从原始序列中减去该序列滞后1期：例如：在金融时间序列中，通常会对序列进行转换，然后执行差分。...以下是Apple时间序列中的一个示例：•左上方以对数苹果股票价格的ACF表示，显示ACF缓慢下降（而不是下降）。该模型可能需要差分。

1.3K3 0

R语言分布滞后非线性模型（DLNM）空气污染研究温度对死亡率影响建模应用|附代码数据

DLNMs以前只在流行病学方面进行过简单的描述：本文的目的是严格地发展这种方法，并描述在统计软件R中专门编写的软件包dlnm中的实现，提供一个使用真实数据集的应用实例。...我们简要描述了时间序列分析中使用的基本模型，并介绍了基础的概念，作为描述变量和因变量之间非线性关系的一般方法。我们概述了在时间上滞后效应的复杂性，并提供了一个简单的DLMs的一般表示。...然而，在目前的发展中，我们依靠的是一种完全的参数化方法。在环境因素的时间序列分析中，结果Yt通常是每日计数，假定来自所谓的过度分散泊松分布。...上述标准表明DLNM的拟合效果更好，如果与滞后0-1和0-30移动平均模型相比，QAIC的差异为571和517，QBIC为468和445。已经进行了敏感性分析，以评估模型选择的影响。...DLNM在概念上是简单的，但又足够灵活，允许有广泛的模型，包括以前使用的简单模型和更复杂的新变体。概念上的简单性允许构建一个R包来拟合这种广泛的模型。

6422 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭