====== STUMPY

STUMPY — это мощная и масштабируемая библиотека Python, которая эффективно вычисляет то, что называется матричным профилем <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__. Это лишь научный способ сказать: «для каждой (зелёной) подпоследовательности вашего временного ряда автоматически определяется её ближайший сосед (серый)»:

.. image:: https://github.com/stumpy-dev/stumpy/blob/main/docs/images/stumpy_demo.gif?raw=true :alt: STUMPY Animated GIF

Что важно, после вычисления матричного профиля (средняя панель на изображении выше) его можно использовать для различных задач интеллектуального анализа временных рядов, таких как:

обнаружение паттернов/мотивов (приблизительно повторяющихся подпоследовательностей в более длинном временном ряду)
обнаружение аномалий/новизны (дискордов)
обнаружение шейплетов
семантическая сегментация
потоковые (онлайн) данные
быстрые приближённые матричные профили
цепочки временных рядов (упорядоченное по времени множество паттернов подпоследовательностей)
сниппеты для суммаризации длинных временных рядов
панорамные матричные профили для выбора оптимального размера окна подпоследовательностей
и многое другое ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

Будь вы исследователем, специалистом по данным, разработчиком программного обеспечения или энтузиастом временных рядов, STUMPY прост в установке, и наша цель — помочь вам быстрее получать знания из ваших временных рядов. Подробнее см. в документации <https://stumpy.readthedocs.io/en/latest/>__.

Как использовать STUMPY

Полный список доступных функций см. в нашей документации по API <https://stumpy.readthedocs.io/en/latest/api.html>, а более подробные примеры использования — в информативных руководствах <https://stumpy.readthedocs.io/en/latest/tutorials.html>. Ниже приведены фрагменты кода, которые быстро демонстрируют, как использовать STUMPY.

Типичное использование (одномерные данные временного ряда) с помощью STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stump>__:

.. 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)

Распределённое использование для одномерных данных временного ряда с помощью Dask Distributed через STUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stumped>__:

.. 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)

Использование GPU для одномерных данных временного ряда с помощью GPU-STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__:

.. 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)

Многомерные данные временного ряда с помощью MSTUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstump>__:

.. 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)

Распределённый анализ многомерных данных временного ряда с помощью Dask Distributed MSTUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstumped>__:

.. 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)

Цепочки временных рядов с помощью Anchored Time Series Chains (ATSC) <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.atsc>__:

.. 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)

stumpy

Популярное

====== STUMPY

Как использовать STUMPY