как использовать параметр исключения с pep8.py
Вы не должны почти наверняка расширять сеансовые куки, чтобы быть долговечными.
, Хотя не имея дело конкретно с направляющими эта статья переходит к некоторой длине для объяснения, 'помнят меня' лучшие практики.
, Таким образом, хотя Вы должны:
- Добавляют дополнительный столбец к пользовательской таблице для принятия большого случайного значения
- Набор долговечный cookie на клиенте, который комбинирует идентификатор пользователя и случайное значение
- , Когда новая сессия запускается, проверьте на существование cookie идентификатора/значения и аутентифицируйте нового пользователя, если они соответствуют.
автор также рекомендует делать недействительным случайное значение и сбросить cookie при каждом входе в систему. Лично мне не нравится это, поскольку Вы тогда не можете остаться вошедшими сайт на двух компьютерах. Я был бы склонен удостоверяться, что моя функция изменения пароля также сбросила случайное значение, таким образом блокирующее сессии на других машинах.
Как заключительное примечание, совет он дает при создании определенных функций (изменение пароля/, почтовое изменение и т.д.) недоступный к автоматическим аутентифицируемым сессиям определенно стоит следующего, но редко замечаемый в реальном мире.
4 ответа
Я пытался генерировать случайные данные, пока не получил интересные результаты. Здесь я ввел все положительные числа и получил отрицательные прогнозы:
y = [0.92, 0.78, 0.92, 0.61, 0.47, 0.4, 0.59, 0.13, 0.27, 0.31, 0.24, 0.01]
holtwinters(y, 0.2, 0.1, 0.05, 4)
...
forecast: -0.104857182966
forecast: -0.197407475203
forecast: -0.463988558577
forecast: -0.258023593197
, но учтите, что прогноз соответствует отрицательному наклону данных.
Это могут быть порядки величин, о которых вы говорили:
y = [0.1, 0.68, 0.15, 0.08, 0.94, 0.58, 0.35, 0.38, 0.7, 0.74, 0.93, 0.87]
holtwinters(y, 0.2, 0.1, 0.05, 4)
...
forecast: 1.93777559066
forecast: 3.11109138055
forecast: 0.910967977635
forecast: 0.684668348397
Но я не уверен, как вы сочтете это дико неточным или считаете, что он «должен быть» ниже.
Всякий раз, когда вы экстраполируете данные, вы получите несколько неожиданные результаты. Вас больше беспокоит, что реализация может быть неправильной или что выходные данные не имеют хороших свойств для вашего конкретного использования?
Прежде всего, если вы не уверены в своей конкретной реализации алгоритма, я рекомендую вам создать для этого какой-нибудь тестовый сценарий. Возьмите другую реализацию, может быть, Matlab, что угодно, все, что вы знаете, это работает. Сгенерируйте некоторые входные данные, передайте их ссылке и вашей реализации, и они должны быть идентичны. Таким образом, я перевел и проверил некоторые алгоритмы из Matlab. scipy.io.loadmat отлично подходит для этого.
Об использовании вами алгоритма: вы говорите о периодичности в днях и неделях, и вы подаете данные в минутном масштабе. Я не знаю, хорошо ли справляется этот конкретный алгоритм, но в любом случае я бы предложил попробовать некоторую фильтрацию нижних частот, а затем подавать ее в алгоритм ежечасно или даже медленнее. Почти 700 временных шагов за один период могут быть слишком сложными для распознавания. Данные, которые вы вводите, должны также содержать как минимум два полных периода ваших временных рядов. Если ваш алгоритм поддерживает периодичность, вы также должны предоставить ему данные соответствующим образом, чтобы он мог на самом деле увидеть периодичность. Тот факт, что вы получаете эти экстремальные значения, может быть намеком на то, что алгоритм имеет дату только для устойчивого тренда в одном направлении.
Возможно, вы также хотите разделить ваши прогнозы, чтобы один оптимизировался для еженедельного прогнозирования, а другой - для внутридневного, и вы объедините их в конце снова.
Тот факт, что вы наблюдаете периодичность в ваших данных, означает, что вы должны также попытаться использовать модель, которая может выражать такие характеристики.
Холт-Винтерс - простая модель сглаживания, которая не может выразить это.
Классический подход состоит в том, чтобы взглянуть на модель ARMA (Autoregressive Moving Average), а ее естественное расширение - на модель SARIMA (сезонно скорректированная ...).
Итог: это действительно вопрос статистики. Один из лучших текстов на эту тему - «Эконометрика» Маддалы.
Важно проанализировать свойства временных рядов, прежде чем выбрать подходящий метод прогноза.
1 - Перед применением Холт-Уинтерса может быть важно проверить, является ли ваш временной ряд стационарным, и, если это не так, дифференцировать его для достижения этого свойства, что помогает с точностью.
2 - Данные могут периодически меняться со временем, и то, что кажется трендом, может фактически быть частью большого сезонного периода. Если это ваш случай (и он есть), возможно, вам следует применить Холт-Винтерс дважды, один раз для каждого сезонного периода, поскольку он не может справиться с несколькими периодичностями, а затем проанализировать, что лучше подходит для вашего сценария.
3 - Экспериментирование с различными параметрами сглаживания (альфа, бета и гамма) может быть важным. Чем они больше, тем важнее становится несколько последних наблюдений и последних вычисленных компонентов. Попробуйте найти адаптивную реализацию Holt-Winters, которая автоматически адаптирует эти параметры, чтобы увидеть, что происходит.
Я рекомендую вам использовать язык R, который содержит адаптивную и простую в использовании реализацию Holt-Winters, предоставляемую с помощью пакета прогноза, поэтому вы можете легко экспериментировать с различными конфигурациями.