stumpy-dev/stumpyसमय श्रृंखला विश्लेषण हेतु स्केलेबल पायथन लाइब्रेरी, जो मैट्रिक्स प्रोफाइल के माध्यम से मोटिफ खोज, विसंगति पहचान, सिमेंटिक विभाजन और स्ट्रीमिंग पैटर्न खनन को सक्षम बनाती है।
|PyPI Version| |Conda Forge Version| |PyPI Downloads| |License| |Test Status| |Code Coverage|
|RTD Status| |Binder| |JOSS| |NumFOCUS|
.. |PyPI Version| image:: https://img.shields.io/pypi/v/stumpy.svg :target: https://pypi.org/project/stumpy/ :alt: PyPI Version .. |Conda Forge Version| image:: https://anaconda.org/conda-forge/stumpy/badges/version.svg :target: https://anaconda.org/conda-forge/stumpy :alt: Conda-Forge Version .. |PyPI Downloads| image:: https://static.pepy.tech/badge/stumpy/month :target: https://pepy.tech/project/stumpy :alt: PyPI Downloads .. |License| image:: https://img.shields.io/pypi/l/stumpy.svg :target: https://github.com/stumpy-dev/stumpy/blob/main/LICENSE.txt :alt: License .. |Test Status| image:: https://github.com/stumpy-dev/stumpy/workflows/Tests/badge.svg :target: https://github.com/stumpy-dev/stumpy/actions?query=workflow%3ATests+branch%3Amain :alt: Test Status .. |Code Coverage| image:: https://img.shields.io/badge/Coverage-100%25-green :alt: Code Coverage .. |RTD Status| image:: https://readthedocs.org/projects/stumpy/badge/?version=latest :target: https://stumpy.readthedocs.io/ :alt: ReadTheDocs Status .. |Binder| image:: https://mybinder.org/badge_logo.svg :target: https://mybinder.org/v2/gh/stumpy-dev/stumpy/main?filepath=notebooks :alt: Binder .. |JOSS| image:: http://joss.theoj.org/papers/10.21105/joss.01504/status.svg :target: https://doi.org/10.21105/joss.01504 :alt: JOSS .. |DOI| image:: https://zenodo.org/badge/184809315.svg :target: https://zenodo.org/badge/latestdoi/184809315 :alt: DOI .. |NumFOCUS| image:: https://img.shields.io/badge/NumFOCUS-Affiliated%20Project-orange.svg?style=flat&colorA=E1523D&colorB=007D8A :target: https://numfocus.org/sponsored-projects/affiliated-projects :alt: NumFOCUS Affiliated Project .. |Twitter| image:: https://img.shields.io/twitter/follow/stumpy_dev.svg?style=social :target: https://twitter.com/stumpy_dev :alt: Twitter
|
.. image:: https://raw.githubusercontent.com/stumpy-dev/stumpy/main/docs/images/stumpy_logo_small.png :target: https://github.com/stumpy-dev/stumpy :alt: STUMPY Logo
STUMPY एक शक्तिशाली और स्केलेबल Python लाइब्रेरी है जो कुशलतापूर्वक matrix profile <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__ नामक चीज़ की गणना करती है, जो केवल यह कहने का एक अकादमिक तरीका है "आपकी टाइम सीरीज़ के भीतर प्रत्येक (हरे) उप-अनुक्रम के लिए, स्वचालित रूप से उसके संबंधित निकटतम-पड़ोसी (ग्रे) की पहचान करें":
.. image:: https://github.com/stumpy-dev/stumpy/blob/main/docs/images/stumpy_demo.gif?raw=true :alt: STUMPY Animated GIF
महत्वपूर्ण बात यह है कि एक बार जब आप अपने matrix profile (ऊपर मध्य पैनल) की गणना कर लेते हैं, तो इसका उपयोग विभिन्न टाइम सीरीज़ डेटा माइनिंग कार्यों के लिए किया जा सकता है, जैसे:
और भी ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__चाहे आप एक अकादमिक, डेटा वैज्ञानिक, सॉफ्टवेयर डेवलपर या टाइम सीरीज़ उत्साही हों, STUMPY को स्थापित करना सीधा है और हमारा लक्ष्य आपको आपकी टाइम सीरीज़ अंतर्दृष्टि तक तेज़ी से पहुंचाना है। अधिक जानकारी के लिए दस्तावेज़ <https://stumpy.readthedocs.io/en/latest/>__ देखें।
कृपया उपलब्ध फ़ंक्शनों की पूरी सूची के लिए हमारा API दस्तावेज़ <https://stumpy.readthedocs.io/en/latest/api.html>__ देखें और अधिक व्यापक उदाहरण उपयोग मामलों के लिए हमारे जानकारीपूर्ण ट्यूटोरियल <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ देखें। नीचे, आपको कोड स्निपेट मिलेंगे जो शीघ्रता से दर्शाते हैं कि STUMPY का उपयोग कैसे करें।
STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stump>__ के साथ विशिष्ट उपयोग (1-आयामी टाइम सीरीज़ डेटा):
.. code:: python
import stumpy
import numpy as np
if __name__ == "__main__":
your_time_series = np.random.rand(10000)
window_size = 50 # Approximately, how many data points might be found in a pattern
matrix_profile = stumpy.stump(your_time_series, m=window_size)
Dask Distributed के माध्यम से STUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stumped>__ के साथ 1-आयामी टाइम सीरीज़ डेटा के लिए वितरित उपयोग:
.. code:: python
import stumpy
import numpy as np
from dask.distributed import Client
if __name__ == "__main__":
with Client() as dask_client:
your_time_series = np.random.rand(10000)
window_size = 50 # Approximately, how many data points might be found in a pattern
matrix_profile = stumpy.stumped(dask_client, your_time_series, m=window_size)
GPU-STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__ के साथ 1-आयामी टाइम सीरीज़ डेटा के लिए GPU उपयोग:
.. code:: python
import stumpy
import numpy as np
from numba import cuda
if __name__ == "__main__":
your_time_series = np.random.rand(10000)
window_size = 50 # Approximately, how many data points might be found in a pattern
all_gpu_devices = [device.id for device in cuda.list_devices()] # Get a list of all available GPU devices
matrix_profile = stumpy.gpu_stump(your_time_series, m=window_size, device_id=all_gpu_devices)
MSTUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstump>__ के साथ बहु-आयामी टाइम सीरीज़ डेटा:
.. code:: python
import stumpy
import numpy as np
if __name__ == "__main__":
your_time_series = np.random.rand(3, 1000) # Each row represents data from a different dimension while each column represents data from the same dimension
window_size = 50 # Approximately, how many data points might be found in a pattern
matrix_profile, matrix_profile_indices = stumpy.mstump(your_time_series, m=window_size)
Dask Distributed MSTUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstumped>__ के साथ वितरित बहु-आयामी टाइम सीरीज़ डेटा विश्लेषण:
.. code:: python
import stumpy
import numpy as np
from dask.distributed import Client
if __name__ == "__main__":
with Client() as dask_client:
your_time_series = np.random.rand(3, 1000) # Each row represents data from a different dimension while each column represents data from the same dimension
window_size = 50 # Approximately, how many data points might be found in a pattern
matrix_profile, matrix_profile_indices = stumpy.mstumped(dask_client, your_time_series, m=window_size)
Anchored Time Series Chains (ATSC) <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.atsc>__ के साथ टाइम सीरीज़ चेन:
.. code:: python
import stumpy
import numpy as np
if __name__ == "__main__":
your_time_series = np.random.rand(10000)
window_size = 50 # Approximately, how many data points might be found in a pattern
matrix_profile = stumpy.stump(your_time_series, m=window_size)
left_matrix_profile_index = matrix_profile[:, 2]
right_matrix_profile_index = matrix_profile[:, 3]
idx = 10 # Subsequence index for which to retrieve the anchored time series chain for
anchored_chain = stumpy.atsc(left_matrix_profile_index, right_matrix_profile_index, idx)
all_chain_set, longest_unanchored_chain = stumpy.allc(left_matrix_profile_index, right_matrix_profile_index)
Fast Low-cost Unipotent Semantic Segmentation (FLUSS) <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.fluss>__ के साथ सिमेंटिक सेगमेंटेशन:
.. code:: python
import stumpy
import numpy as np
if __name__ == "__main__":
your_time_series = np.random.rand(10000)
window_size = 50 # Approximately, how many data points might be found in a pattern
matrix_profile = stumpy.stump(your_time_series, m=window_size)
subseq_len = 50
correct_arc_curve, regime_locations = stumpy.fluss(matrix_profile[:, 1],
L=subseq_len,
n_regimes=2,
excl_factor=1
)
समर्थित Python और NumPy संस्करण NEP 29 deprecation policy <https://numpy.org/neps/nep-0029-deprecation_policy.html>__ के अनुसार निर्धारित किए जाते हैं।
NumPy <http://www.numpy.org/>__Numba <http://numba.pydata.org/>__SciPy <https://www.scipy.org/>__conda:
.. code:: bash
conda install -c conda-forge stumpy
pip:
.. code:: bash
python -m pip install stumpy
pixi:
.. code:: bash
pixi add stumpy
uv:
.. code:: bash
uv add stumpy
स्रोत से stumpy स्थापित करने के लिए, दस्तावेज़ <https://stumpy.readthedocs.io/en/latest/install.html>__ में दिए गए निर्देश देखें।
अंतर्निहित एल्गोरिदम और अनुप्रयोगों को पूरी तरह से समझने और सराहने के लिए, मूल publications_ को पढ़ना अनिवार्य है। STUMPY का उपयोग करने के अधिक विस्तृत उदाहरण के लिए कृपया नवीनतम दस्तावेज़ <https://stumpy.readthedocs.io/en/latest/>__ देखें या हमारे हैंड्स-ऑन ट्यूटोरियल <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ का अन्वेषण करें।
हमने विभिन्न लंबाई वाले बेतरतीब ढंग से उत्पन्न टाइम सीरीज़ डेटा (जैसे, np.random.rand(n)) पर Numba JIT संकलित कोड संस्करण का उपयोग करके सटीक matrix profile की गणना के प्रदर्शन का परीक्षण किया, साथ ही विभिन्न CPU और GPU हार्डवेयर संसाधनों <hardware_>_ के साथ।
.. image:: https://raw.githubusercontent.com/stumpy-dev/stumpy/main/docs/images/performance.png :alt: STUMPY Performance Plot
कच्चे परिणाम नीचे दी गई तालिका में Hours:Minutes:Seconds.Milliseconds के रूप में और m = 50 की स्थिर विंडो आकार के साथ प्रदर्शित किए गए हैं। ध्यान दें कि इन बताए गए रनटाइम में डेटा को होस्ट से सभी GPU डिवाइस(ओं) तक ले जाने में लगने वाला समय शामिल है। सभी रनटाइम देखने के लिए आपको तालिका के दाईं ओर स्क्रॉल करने की आवश्यकता हो सकती है।
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| i | n = 2\ :sup:i | GPU-STOMP | STUMP.2 | STUMP.16 | STUMPED.128 | STUMPED.256 | GPU-STUMP.1 | GPU-STUMP.2 | GPU-STUMP.DGX1 | GPU-STUMP.DGX2 |
+==========+===================+==============+=============+=============+=============+=============+=============+=============+================+================+
| 6 | 64 | 00:00:10.00 | 00:00:00.00 | 00:00:00.00 | 00:00:05.77 | 00:00:06.08 | 00:00:00.03 | 00:00:01.63 | NaN | NaN |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 7 | 128 | 00:00:10.00 | 00:00:00.00 | 00:00:00.00 | 00:00:05.93 | 00:00:07.29 | 00:00:00.04 | 00:00:01.66 | NaN | NaN |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 8 | 256 | 00:00:10.00 | 00:00:00.00 | 00:00:00.01 | 00:00:05.95 | 00:00:07.59 | 00:00:00.08 | 00:00:01.69 | 00:00:06.68 | 00:00:25.68 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 9 | 512 | 00:00:10.00 | 00:00:00.00 | 00:00:00.02 | 00:00:05.97 | 00:00:07.47 | 00:00:00.13 | 00:00:01.66 | 00:00:06.59 | 00:00:27.66 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 10 | 1024 | 00:00:10.00 | 00:00:00.02 | 00:00:00.04 | 00:00:05.69 | 00:00:07.64 | 00:00:00.24 | 00:00:01.72 | 00:00:06.70 | 00:00:30.49 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 11 | 2048 | NaN | 00:00:00.05 | 00:00:00.09 | 00:00:05.60 | 00:00:07.83 | 00:00:00.53 | 00:00:01.88 | 00:00:06.87 | 00:00:31.09 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 12 | 4096 | NaN | 00:00:00.22 | 00:00:00.19 | 00:00:06.26 | 00:00:07.90 | 00:00:01.04 | 00:00:02.19 | 00:00:06.91 | 00:00:33.93 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 13 | 8192 | NaN | 00:00:00.50 | 00:00:00.41 | 00:00:06.29 | 00:00:07.73 | 00:00:01.97 | 00:00:02.49 | 00:00:06.61 | 00:00:33.81 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 14 | 16384 | NaN | 00:00:01.79 | 00:00:00.99 | 00:00:06.24 | 00:00:08.18 | 00:00:03.69 | 00:00:03.29 | 00:00:07.36 | 00:00:35.23 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 15 | 32768 | NaN | 00:00:06.17 | 00:00:02.39 | 00:00:06.48 | 00:00:08.29 | 00:00:07.45 | 00:00:04.93 | 00:00:07.02 | 00:00:36.09 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 16 | 65536 | NaN | 00:00:22.94 | 00:00:06.42 | 00:00:07.33 | 00:00:09.01 | 00:00:14.89 | 00:00:08.12 | 00:00:08.10 | 00:00:36.54 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 17 | 131072 | 00:00:10.00 | 00:01:29.27 | 00:00:19.52 | 00:00:09.75 | 00:00:10.53 | 00:00:29.97 | 00:00:15.42 | 00:00:09.45 | 00:00:37.33 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 18 | 262144 | 00:00:18.00 | 00:05:56.50 | 00:01:08.44 | 00:00:33.38 | 00:00:24.07 | 00:00:59.62 | 00:00:27.41 | 00:00:13.18 | 00:00:39.30 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 19 | 524288 | 00:00:46.00 | 00:25:34.58 | 00:03:56.82 | 00:01:35.27 | 00:03:43.66 | 00:01:56.67 | 00:00:54.05 | 00:00:19.65 | 00:00:41.45 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 20 | 1048576 | 00:02:30.00 | 01:51:13.43 | 00:19:54.75 | 00:04:37.15 | 00:03:01.16 | 00:05:06.48 | 00:02:24.73 | 00:00:32.95 | 00:00:46.14 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 21 | 2097152 | 00:09:15.00 | 09:25:47.64 | 03:05:07.64 | 00:13:36.51 | 00:08:47.47 | 00:20:27.94 | 00:09:41.43 | 00:01:06.51 | 00:01:02.67 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 22 | 4194304 | NaN | 36:12:23.74 | 10:37:51.21 | 00:55:44.43 | 00:32:06.70 | 01:21:12.33 | 00:38:30.86 | 00:04:03.26 | 00:02:23.47 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 23 | 8388608 | NaN | 143:16:09.94| 38:42:51.42 | 03:33:30.53 | 02:00:49.37 | 05:11:44.45 | 02:33:14.60 | 00:15:46.26 | 00:08:03.76 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 24 | 16777216 | NaN | NaN | NaN | 14:39:11.99 | 07:13:47.12 | 20:43:03.80 | 09:48:43.42 | 01:00:24.06 | 00:29:07.84 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| NaN | 17729800 | 09:16:12.00 | NaN | NaN | 15:31:31.75 | 07:18:42.54 | 23:09:22.43 | 10:54:08.64 | 01:07:35.39 | 00:32:51.55 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 25 | 33554432 | NaN | NaN | NaN | 56:03:46.81 | 26:27:41.29 | 83:29:21.06 | 39:17:43.82 | 03:59:32.79 | 01:54:56.52 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 26 | 67108864 | NaN | NaN | NaN | 211:17:37.60| 106:40:17.17| 328:58:04.68| 157:18:30.50| 15:42:15.94 | 07:18:52.91 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| NaN | 100000000 | 291:07:12.00 | NaN | NaN | NaN | 234:51:35.39| NaN | NaN | 35:03:44.61 | 16:22:40.81 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
| 27 | 134217728 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 64:41:55.09 | 29:13:48.12 |
+----------+-------------------+--------------+-------------+-------------+-------------+-------------+-------------+-------------+----------------+----------------+
^^^^^^^^^^^^^^^^^^ हार्डवेयर संसाधन ^^^^^^^^^^^^^^^^^^
.. _hardware:
GPU-STOMP: ये परिणाम मूल Matrix Profile II <https://ieeexplore.ieee.org/abstract/document/7837898>__ पेपर से पुनरुत्पादित किए गए हैं - NVIDIA Tesla K80 (जिसमें 2 GPUs हैं) और तुलना करने के लिए प्रदर्शन बेंचमार्क के रूप में कार्य करता है।
STUMP.2: stumpy.stump <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stump>__ कुल 2 CPUs के साथ निष्पादित - बिना Dask के एकल सर्वर पर Numba के साथ समानांतर किए गए 2x Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz प्रोसेसर।
STUMP.16: stumpy.stump <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stump>__ कुल 16 CPUs के साथ निष्पादित - बिना Dask के एकल सर्वर पर Numba के साथ समानांतर किए गए 16x Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz प्रोसेसर।STUMPED.128: stumpy.stumped <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stumped>__ कुल 128 CPUs के साथ निष्पादित - 8x Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz प्रोसेसर x 16 सर्वर, Numba के साथ समानांतरित, और Dask Distributed के साथ वितरित।
STUMPED.256: stumpy.stumped <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stumped>__ कुल 256 CPUs के साथ निष्पादित - 8x Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz प्रोसेसर x 32 सर्वर, Numba के साथ समानांतरित, और Dask Distributed के साथ वितरित।
GPU-STUMP.1: stumpy.gpu_stump <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__ 1x NVIDIA GeForce GTX 1080 Ti GPU के साथ निष्पादित, 512 थ्रेड प्रति ब्लॉक, 200W पावर सीमा, Numba के साथ CUDA में संकलित, और Python multiprocessing के साथ समानांतरित।
GPU-STUMP.2: stumpy.gpu_stump <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__ 2x NVIDIA GeForce GTX 1080 Ti GPU के साथ निष्पादित, 512 थ्रेड प्रति ब्लॉक, 200W पावर सीमा, Numba के साथ CUDA में संकलित, और Python multiprocessing के साथ समानांतरित।
GPU-STUMP.DGX1: stumpy.gpu_stump <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__ 8x NVIDIA Tesla V100 के साथ निष्पादित, 512 थ्रेड प्रति ब्लॉक, Numba के साथ CUDA में संकलित, और Python multiprocessing के साथ समानांतरित।
GPU-STUMP.DGX2: stumpy.gpu_stump <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__ 16x NVIDIA Tesla V100 के साथ निष्पादित, 512 थ्रेड प्रति ब्लॉक, Numba के साथ CUDA में संकलित, और Python multiprocessing के साथ समानांतरित।
परीक्षण tests निर्देशिका में लिखे जाते हैं और PyTest <https://docs.pytest.org/en/latest/>__ का उपयोग करके संसाधित किए जाते हैं तथा कोड कवरेज विश्लेषण के लिए coverage.py की आवश्यकता होती है। परीक्षण निम्न प्रकार से चलाए जा सकते हैं:
.. code:: bash
./test.sh
STUMPY Python 3.10+ <https://python3statement.org/>__ का समर्थन करता है और, यूनिकोड वेरिएबल नामों/पहचानकर्ताओं के उपयोग के कारण, Python 2.x के साथ संगत नहीं है। कम निर्भरताओं के कारण, STUMPY Python के पुराने संस्करणों पर काम कर सकता है, लेकिन यह हमारे समर्थन के दायरे से बाहर है और हम दृढ़तापूर्वक अनुशंसा करते हैं कि आप Python के सबसे हालिया संस्करण में अपग्रेड करें।
सबसे पहले, कृपया Github पर चर्चाएँ <https://github.com/stumpy-dev/stumpy/discussions>__ और मुद्दे <https://github.com/stumpy-dev/stumpy/issues?utf8=%E2%9C%93&q=>__ देखें कि क्या आपका प्रश्न पहले ही वहाँ उत्तरित हो चुका है। यदि वहाँ कोई समाधान उपलब्ध नहीं है, तो बेझिझक एक नई चर्चा या मुद्दा खोलें और लेखक उचित समय पर उत्तर देने का प्रयास करेंगे।
हम किसी भी रूप में योगदान <https://github.com/stumpy-dev/stumpy/blob/main/CONTRIBUTING.md>__ का स्वागत करते हैं! दस्तावेज़ीकरण में सहायता, विशेष रूप से ट्यूटोरियल का विस्तार, हमेशा स्वागत योग्य है। योगदान करने के लिए कृपया प्रोजेक्ट को फ़ोर्क करें <https://github.com/stumpy-dev/stumpy/fork>__, अपने बदलाव करें, और एक पुल अनुरोध सबमिट करें। हम आपके साथ किसी भी समस्या को हल करने और आपके कोड को मुख्य शाखा में मर्ज कराने की पूरी कोशिश करेंगे।
यदि आपने इस कोडबेस का उपयोग किसी वैज्ञानिक प्रकाशन में किया है और इसे उद्धृत करना चाहते हैं, तो कृपया Journal of Open Source Software लेख <http://joss.theoj.org/papers/10.21105/joss.01504>__ का उपयोग करें।
S.M. Law, (2019). *STUMPY: A Powerful and Scalable Python Library for Time Series Data Mining*. Journal of Open Source Software, 4(39), 1504.
.. code:: bibtex
@article{law2019stumpy,
author = {Law, Sean M.},
title = {{STUMPY: A Powerful and Scalable Python Library for Time Series Data Mining}},
journal = {{The Journal of Open Source Software}},
volume = {4},
number = {39},
pages = {1504},
year = {2019}
}
.. _publications:
Yeh, Chin-Chia Michael, et al. (2016) Matrix Profile I: All Pairs Similarity Joins for Time Series: A Unifying View that Includes Motifs, Discords, and Shapelets. ICDM:1317-1322. Link <https://ieeexplore.ieee.org/abstract/document/7837992>__
Zhu, Yan, et al. (2016) Matrix Profile II: Exploiting a Novel Algorithm and GPUs to Break the One Hundred Million Barrier for Time Series Motifs and Joins. ICDM:739-748. Link <https://ieeexplore.ieee.org/abstract/document/7837898>__
Yeh, Chin-Chia Michael, et al. (2017) Matrix Profile VI: Meaningful Multidimensional Motif Discovery. ICDM:565-574. Link <https://ieeexplore.ieee.org/abstract/document/8215529>__
Zhu, Yan, et al. (2017) Matrix Profile VII: Time Series Chains: A New Primitive for Time Series Data Mining. ICDM:695-704. Link <https://ieeexplore.ieee.org/abstract/document/8215542>__
Gharghabi, Shaghayegh, et al. (2017) Matrix Profile VIII: Domain Agnostic Online Semantic Segmentation at Superhuman Performance Levels. ICDM:117-126. Link <https://ieeexplore.ieee.org/abstract/document/8215484>__
Zhu, Yan, et al. (2017) Exploiting a Novel Algorithm and GPUs to Break the Ten Quadrillion Pairwise Comparisons Barrier for Time Series Motifs and Joins. KAIS:203-236. Link <https://link.springer.com/article/10.1007%2Fs10115-017-1138-x>__
Zhu, Yan, et al. (2018) Matrix Profile XI: SCRIMP++: Time Series Motif Discovery at Interactive Speeds. ICDM:837-846. Link <https://ieeexplore.ieee.org/abstract/document/8594908>__
Yeh, Chin-Chia Michael, et al. (2018) Time Series Joins, Motifs, Discords and Shapelets: a Unifying View that Exploits the Matrix Profile. Data Min Knowl Disc:83-123. Link <https://link.springer.com/article/10.1007/s10618-017-0519-9>__
Gharghabi, Shaghayegh, et al. (2018) "Matrix Profile XII: MPdist: A Novel Time Series Distance Measure to Allow Data Mining in More Challenging Scenarios." ICDM:965-970. Link <https://ieeexplore.ieee.org/abstract/document/8594928>__
Zimmerman, Zachary, et al. (2019) Matrix Profile XIV: Scaling Time Series Motif Discovery with GPUs to Break a Quintillion Pairwise Comparisons a Day and Beyond. SoCC '19:74-86. Link <https://dl.acm.org/doi/10.1145/3357223.3362721>__
Akbarinia, Reza, and Betrand Cloez. (2019) Efficient Matrix Profile Computation Using Different Distance Functions. arXiv:1901.05708. Link <https://arxiv.org/abs/1901.05708>__
Kamgar, Kaveh, et al. (2019) Matrix Profile XV: Exploiting Time Series Consensus Motifs to Find Structure in Time Series Sets. ICDM:1156-1161. Link <https://ieeexplore.ieee.org/abstract/document/8970797>__
| STUMPY | कॉपीराइट 2019 TD Ameritrade। 3-Clause BSD लाइसेंस की शर्तों के तहत जारी। | STUMPY, TD Ameritrade IP Company, Inc. का एक ट्रेडमार्क है। सर्वाधिकार सुरक्षित।