- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据文摘
实时股票预测的开源参考结构
架构：股票预测与机器学习 概括而言，股票预测和机器学习的架构(如下图所示)支持一个由预测模型推动的优化过程，并有三个基本组成部分。首先是输入，实时交易数据必须被捕获和存储，变为历史数据。 第三，系统需要把新的交易数据与历史数据的规律和概率进行实时对比。然后预测出结果并决定采取何种行动。 ? 上图是简化版，该类型的结构在系统范围增加的情况下还有几个基本因素要考虑。 许多不同来源和类型的数据被用来预测结果，以及各种各样的汇数据处理。在一个20个数据源和20个处理汇的环境里，实时功能仍需要非常低延迟的操作。这体现了扩展问题的两个面。 首先，数据处理应用程序要解决横向扩展就需要增加更多的节点，并保持非常快速的实时响应。其次，久而久之系统会存储更多的数据。除了历史数据集的增加，不同的分析工作也要同时运行来提高模型的预测性。 机器学习模型得到的结果会被推送到其它应用进行处理，同时结果会在Apache Geode上更新，并进行实时预测和决策。
1.3K80发布于 2018-05-22 - 来自专栏张叔叔讲互联网
什么是画像平台实时预测服务？
标签实时预测服务支持实时挖掘用户的标签值，可以覆盖新增用户标签查询，从而弥补离线标签数据缺失从而提高标签覆盖率。 实时预测服务介绍 实时预测服务针对的是挖掘类标签，是将离线标签挖掘模型在线化的过程，其可以提供实时预测用户标签值的能力。 实时预测服务的重点是模型在线化部署以及实时特征获取。 第二种是集中式管理实时特征，即通过消费各种实时数据流生成实时特征并存储到缓存中，在实时预测过程中直接查询使用该实时特征数据。 实际项目中同时支持实时预测服务的算法模型较多，而且每一个模型的文件大小、计算复杂度和线上调用量都不相同，在资源有限的情况下需要设计合理的架构来支持更多的实时预测模型，图4-15展示了一个可行的实时预测服务架构
49110编辑于 2023-10-13 - 来自专栏矩池云
利用LSTM框架实时预测比特币价格
比特币的价格数据是基于时间序列的，因此比特币的价格预测大多采用LSTM模型来实现。 长期短期记忆（LSTM）是一种特别适用于时间序列数据（或具有时间 / 空间 / 结构顺序的数据，例如电影、句子等）的深度学习模型，是预测加密货币的价格走向的理想模型。 本文主要写了通过LSTM进行数据拟合，从而预测比特币的未来价格。 plt.show() [image.png] train_x, train_y = create_dataset(train) test_x, test_y = create_dataset(test) 预测 label='predict') plt.plot(test_y, label='ground true') plt.legend() plt.show() [image.png] 当前利用机器学习预测比特币长期价格走势还是非常困难的
2.4K30发布于 2020-05-18 - 来自专栏AI科技评论
AI攻占实时天气预测？谷歌命名MetNet，实力吊打物理预测模型！
此网络模型专门用于降水预报，可以预测未来8小时内高精度降水概率分布地图，分辨率1千米，时间步长2分钟；预测结果超越目前最好的基于物理模型的数值算法 (High Precision Rapid Refresh-HRRR 整个天气预测模型可以简化为上面这个公式，给定输入，用训练后的θ，可以得到一个条件概率。θ的训练由反向传播求得，即最小化实际值与预测值之间的差额。 由于大气的随机性，未来天气状况的不确定性随着预测时间的延长而增加。MetNet 是一个概率模型，随着预测时间的延长，预测的不确定性在可视化中表现为预测的日益平滑。 相反，HRRR 并不直接进行概率预测，而是会对未来的降水情况进行单一的预测。下图比较了 MetNet 模型和 HRRR 模型的输出。 ? 注意，虽然 HRRR 模型预测的结构似乎更接近于基本事实，但预测的结构可能严重错误。 与MetNet模型相比，HRRR 物理模型的预测更清晰、更结构化。
1.1K30发布于 2020-04-14 - 来自专栏PowerBI战友联盟
PowerBI Z 曲线 - 实时预测年度目标达成率
强大的 Z 曲线模板，通过 PowerBI 纯原生打造，包括 9 种不同逻辑计算元素及 5 种不同颜色，以极高密度信息，直接支持决策者拍完脑袋实时跟踪执行。 先来描述下 Z 曲线的能耐： 决策者制定年度增长计划，如： 37% Z 曲线实时给出该年度是否可以完成目标，并以高亮的绿色或红色给出鲜明结果（如上） Z 曲线中蓝色表示实际（AC - actual） Z 曲线中灰色表示同期（PY - previous year） Z 曲线中红色表示目标（PL - plan） Z 曲线中紫色表示预测（FC - forecast） Z 曲线分别从月和年的角度给出四元素的对比差异 ； 比较 FC 与 PL，来考察预测与计划的对比情况。 例如： 可以改用自然时间流淌的方式进行预测 可以改用权重指数方式进行预测 Z 曲线 的应用 Z 曲线的应用十分广阔，只需要满足两个条件： 按照月度作为管理粒度 至少有一年的历史数据 即可。
3.1K32发布于 2020-01-02 - 来自专栏人工智能头条
如何利用“图计算”实现大规模实时预测分析
而用户行为往往是实时动态发生，因此需要数据与模型也能够实时更新。 3、实时性：对于数据分析人员来说，往往许多分析的维度不是事先预定的，需求总是不断在变化。 因此，对于大数据量的实时计算就成为了一个挑战。同时，基于消费者个体画像和当前的“上下文”触发的个性化营销也是移动营销的主流需求。因此，这就需要服务器端在毫秒级别内给出个性化的预测结果。 但对于实时分析和预测，并不是最好的解决方法。 4、关联性：对于营销来说“预测性”分析不仅仅是发现营销的好坏，更重要的是发现为何好，以进行优化。 比如“归因分析”和“相似人群”等预测性模型，都需要关联计算的支持。而且，这种关联性计算也对实时性有一定的要求。虽然一些图数据库可以支持图数据结构的读取访问，但对于大数据量的关联计算支持较差。 精准性：与其他开源的图数据库不同， CrowdGraph中间包括了相关算法框架层，可以直接支持实时聚类，归因分析，贝叶斯网络等模型。同时避免直接访问抽象的数据，可以提供面向业务逻辑的精准预测服务。
2.2K20发布于 2018-06-05 Zoox自动驾驶系统如何实现全场景实时预测
全场景感知与预测架构安装在自动驾驶车四角的高性能传感器组（包括视觉摄像头、激光雷达、雷达和长波红外摄像头）构成360度重叠视场，探测范围超过百米。 这些传感器与Zoox道路网络（ZRN）语义地图结合，实时识别并分类场景中的动态"智能体"（车辆、行人、自行车等），精确追踪其速度和运动轨迹。 该系统通过"消息传递"机制，模拟现实世界中行人/车辆间的行为相互影响（如走廊避让场景），使预测更符合人类行为模式。 实时决策闭环预测系统与规划系统形成反馈循环：规划器会询问"如果执行X/Y/Z动作，周围智能体将如何反应？"。 技术演进方向当前重点包括：降低预测与规划系统的交互延迟提高图像神经网络对复杂交互场景的建模能力消除手动标注需求（直接利用实际运动数据作为训练标签）系统从最初仅3个源代码文件的启发式算法，已发展为包含深度学习前沿技术的预测引擎
26600编辑于 2025-08-18- 来自专栏深度学习进阶
AIOps异常检测（二）：基于告警事件的实时故障预测
本文主要介绍一种实时故障预测的文章《Real-Time Incident Prediction for Online Service Systems》，使用告警数据来预测未来一段时间是否会发生真实故障。 通过特征工程从告警数据中提取有效且具有解释性的特征； 2）通过多实例学习（multi-instance learning）来区分有用告警和噪音告警； 3）基于特征工程提取出的特征，使用XGBoost进行异常识别； 4）将故障预测结果反馈给用户 ，并采用LIME（Local Interpretable Model-agnostic Explanations）解释模型的预测结果。 Over-sampling TEchnique）平衡正负样本，再使用XGBoost进行训练 LIME模型可解释性 报告实例如下，第二部分的特征贡献是有LIME中的线性模型计算的权重，越重要的特征可能与预测事件的根本原因越相关
3K41发布于 2021-09-15 - 来自专栏深度学习进阶
AIOps质量#Incident#检测：基于告警事件的实时故障预测
本文主要介绍一种实时故障预测的文章《Real-Time Incident Prediction for Online Service Systems》，使用告警数据来预测未来一段时间是否会发生真实故障。 eWarn：Incident Prediction 1 数据输入 如上图所示，模型目的：预测 窗口内是否存在故障 ：观测窗口，使用 窗口内的观测告警数据来预测是否存在故障 ： 通过特征工程从告警数据中提取有效且具有解释性的特征； 2）通过多实例学习（multi-instance learning）来区分有用告警和噪音告警； 3）基于特征工程提取出的特征，使用XGBoost进行异常识别； 4）将故障预测结果反馈给用户 ，并采用LIME（Local Interpretable Model-agnostic Explanations）解释模型的预测结果。 Over-sampling TEchnique）平衡正负样本，再使用XGBoost进行训练 LIME模型可解释性 报告实例如下，第二部分的特征贡献是有LIME中的线性模型计算的权重，越重要的特征可能与预测事件的根本原因越相关
94810编辑于 2022-11-28 - 来自专栏CRM日记本
Salesforce1移动应用为销售团队提供实时预测功能
毋庸置疑，销售预测是销售人员面临的最大挑战之一。销售团队感到痛苦的原因有几个： 预测未来的业务是很难的，尤其是当你销售团队规模很大的时候就会变的更难。 预测是需要实时的。业务是动态不断变化的。 预测需要及时的被更新以提供一个更清晰的视图。 准确的预测需要强力的销售管道管理。理想的预测结果是建立在真实数据的销售管道基础上的。 得到真实的销售管道数据需要持续的监督。 这个在Salesforce1中预测的应用是让销售经理和代表更加高效和智能工作的有效工具。下面是几个关键的使用场景： 销售经理可实时的得到完整的绩效快照。 他们还可以通过下钻每个团队成员的销售管道，实时查看每个交易的详细信息。 销售代表可以实时查看自己的绩效快照。他们可以看到自己离目标的差距及离目标期限剩余的天数。 移动端优化了预测并更加高效。四处奔走的销售团队可以在小的移动设备上通过很少的滚动来查看和排序他们的预测数据。例如，销售经理可以排序他们的团队成员，团队成员则可排序他们在销售管道中的业务机会视图等。
68930发布于 2019-04-16 - 来自专栏Flink实战应用指南
Flink Forward 2019--实战相关(16)--Yelp分享实时访问规模预测
在介绍了我们的产品用例（针对附近本地企业的实时通知）之后，我们将深入探讨大数据挑战。 最后，我们将讨论一个实时机器学习模型，利用Flink的异步I/O在规模上预测正确的附近业务。
55930发布于 2019-08-20 - 来自专栏ATYUN订阅号
谷歌地图利用机器学习实时预测公交交通延误情况
谷歌地图今天在全球数百个主要城市推出了基于机器学习的实时公交延误预测，从一些公交机构获取有关公交车位置的实时数据。 本月早些时候在印度启动的实时公交预测，可以为目前公交机构不提供实时公交位置数据的地区提供动力。 AI通过将时间，行进距离和个人事件组合作为数据集，使谷歌无需依赖公共交通机构提供的公交时刻表即可提供预测。 Fabrikant表示，“每个单元独立地预测其持续时间，最终输出是每单位预测的总和。与许多序列模型不同，我们的模型不需要学习组合单位输出，也不需要通过单位序列传递状态。” 谷歌还推出了一项功能，使用机器学习预测公共汽车或火车在全球200个城市的拥挤程度。
1.1K30发布于 2019-07-05 - 来自专栏OpenCV与AI深度学习
使用Keras和OpenCV实时预测年龄、性别和情绪 (详细步骤+源码)
real-time-age-gender-and-emotion-prediction-from-webcam-with-keras-and-opencv-bde6220d60a 作者 | Sun Weiran 翻译 | OpenCV与AI深度学习 导读 本文将介绍如何使用 Keras 和 OpenCV 从网络摄像头实时预测年龄 本文将探讨年龄、性别和情绪预测的实例，例如，这些应用可以帮助销售人员更好地了解他们的客户。 演示 来自我的网络摄像头的实时预测（作者提供的 gif） 整体架构 整体实现结构（作者供图） 如上图所示，该实现包含 4 个主要步骤： 从网络摄像头接收输入帧 识别网络摄像头中的人脸并为 3 个深度学习模型（即年龄、性别和情感模型）准备这些图像 将处理后的人脸发送到模型并接收预测结果 将带有边界框的预测结果渲染到屏幕上 在这个实现中，我们将使用最先进的面部识别模型之一，MTCNN 用于第 请注意，由于情感模型是从灰度图像中训练出来的，因此 RGB 图像在被情感模型预测之前需要进行灰度处理。
2.3K20编辑于 2022-05-26 - 来自专栏Flink实战应用指南
Flink Forward 2019--实战相关(17)--Yelp分享实时访问规模预测
Using Flink to inspect live data as it flows through a data pipeline -- Matthew Dailey(Splunk)
89230发布于 2019-08-23 - 来自专栏大数据文摘
机器学习实时预测公交延迟！谷歌地图附加功能上线全球
在之前应用的基础上引入了公交车的实时交通延误，预测了全球数百个城市的公交车延误情况，从亚特兰大到萨格勒布，从伊斯坦布尔到马尼拉等等， 这提高了六千多万人的通勤时间准确性。 公交延迟实时了解 该系统于三周前首次在印度推出，由机器学习模型驱动，该模型将实时汽车交通预测与公交线路和站点数据相结合，以更好地预测公交车行程需要多长时间。 没有公交实时数据也可以！ 在没有来自公交机构实时预测数据的许多城市中，开发者借鉴了用户采用的一种巧妙的解决方法——使用谷歌地图的行车路线，考虑到公交运输的特殊性：加速，减速和转弯需要更长时间; 有时候甚至还有特殊的道路特权，比如公共汽车专用车道 模型效果：让数据“开口”证明 在训练好模型后， 模型对Sydney（悉尼）的公交拥堵情况进行了实时的预测： ?
1.2K10发布于 2019-07-18 - 来自专栏相约机器人
使用机器学习和Google Maps对交通事故风险进行实时预测
因此，可以预测交通事故或容易发生事故的区域的系统可以潜在地挽救生命。 尽管困难，但交通事故的预测并非不可能。事故并非纯粹是随机发生的。 借助此数据集，创建并部署了一种机器学习模型，该模型可以高度准确地预测何时何地发生事故。可能发生在大伦敦。 在本文中，将完成该项目的过程。 完整的代码可以在GitHub存储库中找到，而实时模型可以在网站上访问。 认为实现此目标的最佳方法是在网站上部署经过训练的预测变量。该预测器网站应该能够执行以下操作： 允许用户输入起点和终点（两者都必须在大伦敦），并找到连接两者的最佳驾驶路线。 借助天气数据以及有关日期/时间信息的信息，最终预测功能将对所选热点/时间下是否“激活”了关注热点进行二进制预测。然后将这些预测发送到前端，前端会将其显示在屏幕上。 下面的gif显示了互动模型。
4.4K10发布于 2019-10-15 - 来自专栏媒矿工厂
MMsys24 | 基于离线强化学习的实时流媒体带宽精确预测
Offline Reinforcement Learning 论文链接：https://dl.acm.org/doi/abs/10.1145/3625468.3652183 内容整理：王柯喻 引言 近年来，实时通信 为了实现这一目标，现有的 RTC 系统（如 WebRTC）基于动态的网络条件预测链路带宽并自适应地调整传输视频质量。主流的带宽预测方法可以分为两类: 启发式算法和机器学习算法。 常用的启发式带宽预测算法有 WebRTC 框架中的Google拥塞控制（GCC）。GCC主要通过监测链路的往返时间（RTT）变化来预测带宽。 因此，转而评估预测精度。一般来说，准确的带宽预测有望确保更高的音频和视频质量。选择三个指标来评估所有方法的预测准确性，包括（i）预测误差率，（ii）高估率（iii）均方误差（MSE）。 通常，这三个度量的较低值对应于较高的预测精度。
93512编辑于 2024-05-21 - 来自专栏EMQ 物联网
支持高频数采、实时流计算的储能可预测维护系统方案
EMS 能源管理系统：能源管理系统全面采集了BMS、PCS 和其他辅助管理系统的信息，技针电池储能系统实现调控一体化能量管理，实现储能系统实时监控、诊断预警、全景分析、高级控制等功能，满足储能系统监视全面化 eKuiper 还支持流式数据按照不同的模式切片，并基于切片数据执行内置或者拓展的聚合计算算法，实现储能系统状态的实时预测。 流处理数据库 HStreamDB 提供存储和分析一体化的产品，实现储能流数据的实时去重、检测相邻数据的变化范围、实时流分析、分析算法的拓展以及数据集成和存储等功能。 ；HStreamDB 提供脚本编程的方式实现云端数据的大数据分析，进行预测参数的不断优化；优化的参数可以通过 MQTT 协议更新到 eKuiper 流式表中；通过流式表，实时流数据可以合并更新后的参数， 结语通过 EMQ 云边一体化的方案，可实现数据高频率的数万点位采集，为边缘端赋予实时分析和预测储能系统运行状态的能力，使云端具备大数据分析能力。
69130编辑于 2022-11-03 - 来自专栏AI科技评论
今日 Paper | RevealNet；时间序列预测；无监督问答；实时语义立体匹配等
BERT对事实性的知识和基于名称的推理学习能力对比 实时语义立体匹配 F, B, Alpha Matting 论文名称：F, B, Alpha Matting 作者：Marco Forte /François 基于深度学习的方法也取得了很大的进展，但大多数现有网络仅预测alpha遮罩，需要借助后处理方法来恢复透明区域中的原始前景色和背景色。 实时语义立体匹配 论文名称：Real-Time Semantic Stereo Matching 作者：Dovesi Pier Luigi /Poggi Matteo /Andraghetti Lorenzo RTSSNet，即将语义分割和双目深度估计两个任务用同一个端到端的网络来实现，并且达到实时的速度。 之前的论文有将语义分割和立体匹配相结合（如SegStereo），但是他们并没有达到实时的速度。
1.1K20发布于 2020-04-07 - 来自专栏云云众生s
利用实时数据统一生成式和预测式 AI
过时数据的挑战及其对预测结果和准确性幻觉的影响 谚语“垃圾进，垃圾出”在 AI 领域同样适用。当模型被训练或输入不完整、有偏见或过时的信息时，预测结果就会受到影响。 利用实时数据减少幻觉并提高准确性和相关性 将实时数据集成到 AI 流水线中可以显着减少幻觉的发生。当模型可以访问最新的数据时，它可以生成与当前背景相关的预测或内容。 实时数据确保模型的预测与最新数据保持一致。对于企业来说，如果他们想要充分利用人工智能的全部潜力来推动决策制定，并进入人工智能可以解锁的高价值预测用例，这是至关重要的。 实时数据是这个实时 AI 应用程序栈的一个不可或缺的组成部分，将操作数据库紧密集成到 AI 流水线中对此至关重要。这可以确保实时数据无缝地流入模型，使它们能够立即适应不断变化的条件。 将实时数据集成到生成式和预测式 AI 模型中，这不仅仅是一个技术升级，而是一个范式的转变。随着我们走向一个日益动态的世界，AI 能够适应并提供准确、及时的洞察力的能力将是有效决策的基石。
38810编辑于 2024-03-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号