중심 이동 평균법

이동 평균. 시계열 데이터 관측치의 연속 간격은 몇 개의 연속 기간과 동일합니다. 새 데이터가 사용 가능 해짐에 따라 지속적으로 다시 계산되기 때문에 이동 호출 됨 초기 값을 삭제하고 최신 값을 추가하여 진행합니다. 예를 들어 6의 이동 평균 - 월간 판매량은 1 월에서 6 월까지의 판매 평균을 취한 다음 2 월에서 7 월까지의 평균 판매량을 계산 한 다음 3 월에서 8 월까지의 평균 판매량을 계산하여 계산할 수 있습니다. 이동 평균 1은 데이터의 임시 변동 효과를 줄이고 2 데이터를 라인에 맞추기 프로세스가 스무딩이라 불리며 데이터의 경향을보다 선명하게 보여 주며 3는 트렌드 위 또는 아래의 모든 값을 강조 표시합니다. 매우 높은 분산을 가진 무언가를 계산할 경우 가장 잘 할 수 있습니다 나는 이동 평균이 데이터의 무엇인지 알고 싶었습니다. 그래서 우리가 어떻게하고 있었는지 더 잘 이해할 수있었습니다. 자주 바뀌는 숫자를 알아 내려고 노력할 때 당신이 할 수있는 일은 이동 평균 이동 평균 가격 MAP을 계산하는 것입니다. 이동중인 이동 평균을 계산할 때 중간 기간에 평균을 배치하는 것이 합리적입니다. 앞의 예에서 처음 3 시간 기간의 평균을 계산하여 배치했습니다 3 기간 옆에 3 개의 기간, 즉 2 기간 옆에 평균을 배치 할 수 있습니다. 이것은 홀수 기간에는 효과가 있지만 짝수 기간에는 적합하지 않습니다. M 4 일 때의 첫 번째 이동 평균. 기술적으로 이동 평균은 t 2 5, 3 5로 떨어집니다. 이 문제를 피하려면 M 2를 사용하여 MA를 평활화합니다. 따라서 평활화 된 값을 부드럽게합니다. 다음 표는 M 4를 사용하여 결과를 보여줍니다. David, 예, MapReduce는 많은 양의 데이터를 처리하기위한 것입니다. 일반적으로지도와 축소 함수는 다음과 같은 방법으로 처리해야합니다. 많은 매퍼 또는 얼마나 많은 감속기가 있는지, 최적화 내가 게시 한 알고리즘을주의 깊게 생각하면 어떤 매퍼가 데이터의 어느 부분을 가져올 지 알 수 있습니다. 각 입력 레코드는 필요한 모든 작업을 줄일 때마다 사용할 수 있습니다 Joe K Sep 18 12 22시 30 분. 필자의 최선의 이해에서 이동 평균은 MapReduce 패러다임에 잘 맵핑되지 않는다. 왜냐하면 MR은 정렬 된 데이터의 슬라이딩 윈도우이고, MR은 정렬되지 않은 데이터의 범위를 처리하기 때문이다. 내가 볼 수있는 솔루션은 다음과 같다. 두 번 실행에서 두 개의 다른 파티션을 만들 수 있습니다 각 실행에서 귀하의 감속기는 데이터의 다른 범위를 얻을 것입니다 및 이동 평균을 계산하는 방법을 시도하려고합니다 reducer에 대한 첫 번째 실행 데이터 R1 Q1, Q2, Q3, Q4 R2 Q5해야합니다. , Q6, Q7, Q8. 당신은 일부 Q에 대한 이동 평균을 cacluate 할 것입니다. 다음 실행에서 귀하의 감속기는 R1 Q1 Q6 R2 Q6 Q10 R3 Q10 Q14와 같은 데이터를 가져야합니다. 그리고 나머지 이동 평균을 계산하십시오. 그러면 집계해야합니다 결과. 두 가지 작업 모드 - 각 시간은 동일한 범위로 나뉘지만 약간의 시프트가있는 사용자 정의 분할 자의 ID. 의사 코드에서는이 파티션 키처럼 보입니다. SHIFT MAXKEY numOfPartitions 여기서 SHIFT는 구성에서 가져옵니다. MAXKEY 최대 값 내가 0으로 시작하는 단순함을 가정하는 키. RecordReader, IMHO는 특정 분할로 제한되어 있고 분할 경계를 넘어갈 수 없기 때문에 솔루션이 아닙니다. 다른 솔루션은 입력 데이터를 분할하는 사용자 지정 논리를 구현하는 것입니다 InputFormat의 분할과 유사하게 2 개의 다른 슬라이드를 수행 할 수 있습니다. 9 월 17 일 12시 59 분 59 초.