统计学、机器学习、深度学习、时间序列、运筹学与大模型的个人知识库。
这个站点是一个持续维护的个人知识库，而不是只按时间滚动的博客首页。内容围绕统计、时间序列、机器学习与大模型展开，强调结构化浏览、快速检索和长期复用。
最近更新
最近整理与更新
电力交易
电力现货交易策略 集中式电力现货市场的典型设计 电力现货市场与一般现货市场的区别 一般现货市场 一手交钱，一手交货，实物交割 电力现货市场 电力系统的特点：电能无法低成本、大规模储存、因此发、输、配、用须同时完成， 且必须保证发用实时平衡。因此，交易之后无法立刻交割。 电力市场的模式： 日前市场：基本确定运行日的负荷需 …
继续阅读数学建模
数学建模简介 数学建模 数学建模就是建立数学模型解决实际问题。 好的数学模型 什么样的模型可以算得上一个好模型呢？它需要遵循以下要点： 形式简洁：模型不至于太冗长，大道至简。 精度到位：求解精度符合工程实际的要求。 理论创新：在理论层面上进行一些创新。 排除干扰：能够排除一些无关紧要的干扰项。 可解释性：模型的结果有良 …
继续阅读基于非线性树模型的时间序列预测框架：全生命周期深度研究报告
第一章 时间序列数据的特征本质与采样原理 时间序列（Time Series）不同于独立同分布（I.I.D.）的表格数据，其本质是随时间演变的随机过程（Stochastic Process）的离散实现。 1.1 核心统计属性：平稳性与自相关性 平稳性（Stationarity）：指序列的统计特性（均值、方差、自协方差）不 …
继续阅读conv1d-一维卷积
conv1d 简介 在深度学习中，卷积层是许多深度神经网络的主要构建块。该设计的灵感来自视觉皮层， 其中单个神经元对视野的受限区域（称为感受野）做出反应。这些区域的集合重叠以覆盖整个可见区域。 虽然卷积层最初应用于计算机视觉，但其平移不变特性使卷积层可以应用于自然语言处理、时间序列、推荐系统和信号处理。 理解卷积的最简 …
继续阅读特征工程相关问题
1.特征工程与表示学习 2.数据归一化和标准化 在进行数据分析的时候，什么情况下需要对数据进行标准化处理？ 主要看 模型是否具有伸缩不变性。 有些模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如 SVM。对于这样的模型， 除非本来各维数据的分布范围就比较接近，否则必须进行标准化， 以免模型参数被分布范围较大或较 …
继续阅读深度时序模型研究的三个阶段
知乎问题：时间序列预测还能再进步吗？ 在实现了市面上几个主要的模型例如 PatchTST，FITS，TimesNet，iTransformer 之后， 感觉 23,24 年的时间序列模型进步都不大。我个人看法是，模型的输入并不能完全代表所有影响结果的因素， 因此一分不差地预测未来发生的值是不可能的。会不会已经到极限了 …
继续阅读核心专题
从高频知识域切入，继续向下展开子栏目和条目。