R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据

news2024/9/23 19:18:03

 原文链接:http://tecdat.cn/?p=5919

在本文中，我将介绍ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型如何用于预测时间序列数据（点击文末“阅读原文”获取完整代码数据）。

使用滞后算子计算滞后差分

我们可以使用backshift滞后算子来执行计算。例如，滞后算子可用于计算的时间序列值的滞后差分，

0a8558f4138a3f2097a190c9848835e0.png

其中k表示的差分滞后期。对于k=1，我们获得普通的差分，而对于k=2我们获得相对于一阶的差分。让我们考虑R中的一个例子。

使用R，我们可以使用diff函数计算滞后差分。函数的第二个参数表示所需的滞后k，默认设置为k=1。例如：

By <- diff(y) # y\_i - B y\_i
B3y <- diff(y, 3) # y\_i - B^3 y\_i
message(paste0("y is: ", paste(y, collapse =
## y is: 1,3,5,10,20
## By is: 2,2,5,10
## B^3y is: 9,17

 自相关函数

滞后k的自相关定义为：

13c68246172f2896dd9df4ea7bc7fc02.png

要计算自相关，我们可以使用以下R函数：

get_autocor <- function(x, lag) {
    x.left <- x\[1:(length(x) - lag)\]
    x.right <- x\[(1+lag):(length(x))\]
    autocor <- cor(x.left, x.right)
   return(autocor)
}
get_autocor(y, 1) 
## \[1\] 0.9944627
# 相隔2个时间点（滞后期2）测量值的相关性
get_autocor(y, 2)
## \[1\] 0.9819805

数据的高度自相关表明数据具有明确的时间趋势。

偏自相关

由于观察到较大滞后的自相关可以是较低滞后的相关结果，因此通常值得考虑偏自相关函数（pACF）。pACF的想法是计算偏相关性，这种相关性决定了对变量的最近观察样本的相关性。pACF定义为：

8c5275589678edacf5a864f491d50944.png

使用pACF可以识别是否存在实际滞后的自相关或这些自相关是否是由其他样本引起的。

计算和绘制ACF和pACF的最简单方法是分别使用acf和pacf函数：

par(mfrow = c(1,2))
acf(y) # ACF
pacf(y) # pACF

bda3e68f0ba0175a4f0f1b3fa8ec3089.png

在ACF可视化中，ACF或pACF被绘制为滞后的函数。指示的水平蓝色虚线表示自相关显著的水平。

分解时间序列数据

  • St

  • Tt

  • ϵt

执行分解的方式取决于时间序列数据是加法还是乘法。

加法和乘法时间序列数据

加法模型假设数据可以分解为

b1349f58de88008f7050976582c97552.png

另一方面，乘法模型假设数据可以被分解为

5c6675117f531b12a71005c108a30261.png

  • 加法：每个时期的季节效应相似。

  • 乘法：季节性趋势随时间序列的变化而变化。

AirPassengers数据集提供了乘法时间序列的示例。

data(AirPassengers)
plot(AirPassengers)

0bf1825219b26a53fbfa0b52c30ecb2b.png

23ee54705726563e139ca938d6ae640e.png

点击标题查阅往期内容

086e03276dd1c9acf555ef34f26e24a8.jpeg

python用ARIMA模型预测CO2浓度时间序列实现

outside_default.png

左右滑动查看更多

outside_default.png

01

 e8b686b3bba7ddae242b7f2d0462556a.png

02

ccc6ff9b9225ea3deb7ee323e43d9cf0.png

03

728a8edecc94938109fb9db4dc1b416d.png

04

d33ac8d5d272501ece4def5cf04e380a.png

AirPassengers 数据集：

plot(log(AirPassengers))

a8bcd99b47cbbfe2b7aef33cfb55dcb9.png

正如我们所看到的，采用对数已经使季节性成分的变化均衡。请注意，总体增长趋势没有改变。

在R中分解时间序列数据

要分解R中的时间序列数据，我们可以使用该decompose函数。请注意，我们应该通过type参数提供时间序列是加法的还是乘法的。

示例1：AirPassengers数据集

对于AirPassengers数据集，我们指定数据是乘法的并获得以下分解：

plot(decompose(AirPassengers, type = "multiplicative"))

686bff2c7bd43d1d96330ca1763c7a83.png

分解表明，多年来航空公司乘客总数在增加。此外，我们已经观察到的季节性影响已被清楚地捕捉到。

示例2：EuStockMarkets数据集

让我们考虑可以EuStockMarkets数据集的分解：

daxData <- EuStockMarkets\[, 1\] #数据似乎不是可乘的，请使用加法分解

decomposed <- decompose(daxData, type = "additive")
plot(decomposed)

7b86c58fedcd9c3e260a2e49f9c80851.png

该图显示了1992年至1998年的DAX数据中的以下内容：

  • 整体价格稳步上升。

  • 季节性趋势强烈：每年年初，股价相对较低，并在夏季结束时达到相对最大值。

  • 除1997年和1998年之间的最终测量外，随机噪声的影响可以忽略不计。

平稳与非平稳过程

生成时间序列数据的过程可以是平稳的也可以是非平稳的。例如，数据EuStockMarkets和AirPassengers数据都是非平稳的，因为数据有增加的趋势。为了更好地区分平稳和非平稳过程，请考虑以下示例：

par(mfrow = c(1,2))#
data(nino)
x <- nino3.4
plot(x, main = "Stationary process")# 飞机旅客数据
plot(AirPassengers, main = "Non-stationary process")

d8c082c18d7e5e05b4986c259c75283f.png

左图显示了一个平稳过程，其中数据在所有测量中表现相似。右图显示了一个非平稳过程，其中平均值随着时间的推移而增加。

介绍了与时间序列数据分析相关的最重要概念后，我们现在可以开始研究预测模型。

ARMA模型

ARMA代表自回归移动平均模型。ARMA模型仅适用于平稳过程，并具有两个参数：

  • p：自回归（AR）模型的阶数

  • q：移动平均（MA）模型的阶数

使用backshift运算符制定ARMA模型

使用backshift运算符，我们可以通过以下方式制定ARMA模型：

101d24195d03b7297c6f42836fd879e0.png

通过定义e35c976c96a2fdf3d20e3a83122a7712.png和a1025c95bac93cb46b77186edf5d8b17.png，ARMA模型简化为0b4ae863b49577d0a50bed30c9d8cb4a.png。

ARIMA模型

总之，ARIMA模型具有以下三个参数：

  • p：自回归（AR）模型的阶数

  • d：差分阶数

  • q：移动平均（MA）模型的阶数

在ARIMA模型中，通过将替换差分，将结果转换为差分yt

0724dae54c265b569e866200bbeda4f5.png

然后通过指定模型

546234a20389a1bfc075d2d8209f9efe.png

7f926291987f9e23ea19dc88491da91c.png

在下文中，让我们考虑ARIMA模型的三个参数的解释。

自回归的影响

我们可以使用该arima.sim函数模拟自回归过程。通过该函数，可以通过提供要使用的MA和AR项的系数来指定模型。在下文中，我们将绘制自相关图，因为它最适合于发现自回归的影响。

83153f9f56a79d482cefbd15c2f4ea28.png

第一个例子表明，对于ARIMA（1,0,0）过程，阶数1的pACF非常高，而对于ARIMA（2,0,0）过程，阶数1和阶数2自相关都很重要。因此，可以根据pACF显着的最大滞后来选择AR项的阶数。

 差分的影响

ARIMA（0,1,0）模型简化为随机游走模型

6bee29e1443fba7b0d9ff4c622e9a5b0.png

以下示例演示了差分对AirPassengers数据集的影响：

2c7afc4a1c648fe5a8943d4d596bd792.png

虽然第一个图表显示数据显然是非平稳的，但第二个图表明差分时间序列是相当平稳的。

其中当前估计值取决于先前测量值的残差。

移动平均MA的影响

可以通过绘制自回归函数来研究移动平均的影响：

f3669179a2a32df4d43648c43804f7a0.png

请注意，对于自回归图，我们需要注意第一个x轴位置表示滞后为0（即标识向量）。在第一个图中，只有第一个滞后的自相关是显着的，而第二个图表明前两个滞后的自相关是显着的。为了找到MA的阶数，适用与AR类似的规则：MA的阶数对应于自相关显着的最大滞后期。

在AR和MA之间进行选择

为了确定哪个更合适，AR或MA，我们需要考虑ACF（自相关函数）和PACF（偏ACF）。

AR和MA的影响

AR和MA的组合得到以下时间序列数据：

9debc14eccb055ce034daf8a7c2bac19.png

 SARIMA模型

  • P：季节性自回归（SAR）项的阶数

  • D：季节差分阶数

  • q：季节性移动平均线（SMA）的阶数

ARIMAX模型

R中的预测

auto.arima`forecast`

SARIMA模型用于平稳过程

我们将使用数据展示ARMA的使用，该数据tseries给出了Nino Region 3.4指数的海面温度。让我们验证数据是否平稳：

a71b5ee7983cf7a09d8bbc754b1f95bf.png

d=0

为了验证是否存在任何季节性趋势，我们将分解数据：

9eed715c0856f9919868c5b24816da39.png

没有整体趋势，这是平稳过程的典型趋势。但是，数据存在强烈的季节性因素。因此，我们肯定希望包含对季节性影响进行建模的参数。

季节性模型

对于季节性模型，我们需要指定额外的参数参数（P,D,Q）S。由于季节性趋势在时间序列数据中不占主导地位，我们将设置D=0。此外，由于尼诺数据中的季节性趋势是一种年度趋势，我们可以设置S=12个月。为了确定季节性模型的其他参数，我们考虑季节性成分的图。

52420c3a8b999a4ad26745e6f97570ca.png

我们设置P=2 Q=0

非季节性模型

对于非季节性模型，我们需要找到p和q。为此，我们将绘制ACF和pACF来确定AR和MA参数的值。

9ad19e56116d6432e38849a7fb10ec18.png

我们可以使用包中的Arima函数来拟合模型forecast。

我们现在可以使用该模型来预测未来Nino 3.4地区的气温如何变化。有两种方法可以从预测模型中获得预测。第一种方法依赖于predict函数，而第二种方法使用包中的forecast函数。使用该predict功能，我们可以通过以下方式预测和可视化结果：

## 
## Attaching package: 'ggplot2'
## The following object is masked from 'package:forecast':
## 
##     autolayer

966676550ee2599412b122bac1c5cea2.png

如果我们不需要自定义绘图，我们可以使用以下forecast函数轻松地获取预测和相应的可视化：

# 使用内置绘图功能：
forecast <- forecast(A, h = 60) # 预测未来5年
plot(forecast)

用于非平稳数据的ARIMA模型

为了演示ARIMA模型对非平稳数据的使用，我们将使用数据集astsa。该数据集提供全球平均陆地 - 海洋温度偏差的年度测量值。

d=1

eaaa15eaa62473c63db139f4a3fbe746.png1e26bcc0a37a786205a48ad651e72565.png

9171ffa679942aa53f01ea8be431ff0b.png

p=0q=1

我们现在可以预测未来几年平均陆地 - 海洋温度偏差将如何变化：

f277d8cfd63ceae66faf897480a6bc0c.png

该模型表明，未来几年平均陆地 - 海洋温度偏差将进一步增加。

关于空气质量数据集的ARIMAX

为了展示ARIMAX模型的使用，我们将使用臭氧数据集 。

让我们加载臭氧数据集并将其划分为测试和训练集。请注意，我们已确保训练和测试数据包含连续的时间测量。

为此，我们将在臭氧数据集中创建一个新列，该列反映了相对时间点：

现在我们有了时间维度，我们可以绘制臭氧水平：

e191ee671a347fd5413ac1cbdd70766b.png

时间序列数据似乎是平稳的。让我们考虑ACF和pACF图，看看我们应该考虑哪些AR和MA

b64a65efeb50143ed3a2809f86e59144.png

自相关图非常不清楚，这表明数据中实际上没有时间趋势。因此，我们会选择ARIMA（0,0,0）模型。由于具有参数（0,0,0）的ARIMAX模型没有传统线性回归模型的优势，我们可以得出结论，臭氧数据的时间趋势不足以改善臭氧水平的预测。让我们验证一下：

print(Rsquared.linear)
## \[1\] 0.7676977
``````
print(Rsquared.temporal)
``````
## \[1\] 0.7569718

我们可以看到具有负二项式概率线性模型优于ARIMAX模型。

关于空气质量数据集的ARIMAX

要在更合适的数据集上演示ARIMAX模型，让我们加载数据集：

该Icecream数据集包含以下变量：

  • 消费：冰淇淋消费量。

  • 收入:平均每周家庭收入。

  • 价格：每个冰淇淋的价格。

  • temp：华氏温度的平均温度。

测量结果是从1951-03-18到1953-07-11的四周观测。

我们将模拟消费，冰淇淋消费作为时间序列，并使用_收入_，_价格_和_平均值_作为外生变量。在开始建模之前，我们将从数据框中创建一个时间序列对象。

我们现在调查数据：

06fdbe4ca67bdd718527dafbeb64226a.png

因此，数据有两种趋势：

  1. 总体而言，1951年至1953年间，冰淇淋的消费量大幅增加。

  2. 冰淇淋销售在夏季达到顶峰。

5c1db443ab90b8964e4f783785e5d8e1.png

由于季节性趋势，我们可能拟合ARIMA（1,0,0）（1,0,0）模型。但是，由于我们知道温度和外生变量的收入，因此它们可以解释数据的趋势：

29545d6068f521bbcb35fc7ad59a5407.png

income解释了整体趋势。此外，temp解释了季节性趋势，我们不需要季节性模型。因此，我们应该使用ARIMAX（1,0,0）模型进行预测。为了研究这些假设是否成立，我们将使用以下代码将ARIMAX（1,0,0）模型与ARIMA（1,0,0）（1,0,0）模型进行比较

b1c2944f913294c44b51a64ce35f120d.png

ARIMAX（1,0,0）模型的预测显示为蓝色，而ARIMA（1,0,0）（1,0,0）模型的预测显示为虚线。实际观察值显示为黑线。结果表明，ARIMAX（1,0,0）明显比ARIMA（1,0,0）（1,0,0）模型更准确。

但请注意，ARIMAX模型在某种程度上不像纯ARIMA模型那样有用于预测。这是因为，ARIMAX模型需要对应该预测的任何新数据点进行外部预测。例如，对于冰淇淋数据集，我们没有超出1953-07-11的外生数据。因此，我们无法使用ARIMAX模型预测超出此时间点，而ARIMA模型可以实现：

1f220392d02faeeb1cd6719ceb126277.png

如果您有任何疑问，请在下面发表评论。

db4529e453234d2b18d15b8ef0f7a21a.jpeg

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据》。

点击标题查阅往期内容

R语言ARIMA集成模型预测时间序列分析

R语言用ARIMA模型滑动时间窗口识别网络流量时间序列异常值

python用ARIMA模型预测CO2浓度时间序列实现

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言多元Copula GARCH 模型时间序列预测

python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化

R语言中的copula GARCH模型拟合时间序列并模拟分析

matlab使用Copula仿真优化市场风险数据VaR分析

R语言多元Copula GARCH 模型时间序列预测

R语言Copula函数股市相关性建模：模拟Random Walk(随机游走)

R语言实现 Copula 算法建模依赖性案例分析报告

R语言ARMA-GARCH-COPULA模型和金融时间序列案例

R语言基于copula的贝叶斯分层混合模型的诊断准确性研究

R语言COPULA和金融时间序列案例

matlab使用Copula仿真优化市场风险数据VaR分析

matlab使用Copula仿真优化市场风险

R语言多元CopulaGARCH模型时间序列预测

R语言Copula的贝叶斯非参数MCMC估计

R语言COPULAS和金融时间序列

R语言乘法GARCH模型对高频交易数据进行波动性预测

R语言GARCH-DCC模型和DCC（MVT）建模估计

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH（1,1），MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型

R语言ARMA-GARCH-COPULA模型和金融时间序列案例

6e39c1465ff96eca175a875c9c5cc898.png

775e17ac1eff40244edbed9f25983d2c.jpeg

485be744272ce2532705173090ed34ad.png

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/57275.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

[附源码]计算机毕业设计JAVA校园网学生成绩查询系统

[附源码]计算机毕业设计JAVA校园网学生成绩查询系统

[附源码]计算机毕业设计JAVA校园网学生成绩查询系统 项目运行 环境配置&#xff1a; Jdk1.8 Tomcat7.0 Mysql HBuilderX&#xff08;Webstorm也行&#xff09; Eclispe&#xff08;IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持&#xff09;。 项目技术&#xff1a; SSM …
阅读更多...
Android面试题——高级开发面试题二

Android面试题——高级开发面试题二

一 面试题概述 回答自己理解的java虚拟机、gc机制Java多线程、线程池集合原理(hashmap,list)java虚引用封装、继承、多态的理解activity生命周期安卓activity和fragment数据传递Handler内存泄漏、内存溢出、内存抖动 原因及解决办法ANR原因以及解决办法性能优化、卡顿优化事件…
阅读更多...
xshell与xftp

xshell与xftp

目录 1.什么是xshell 2.下载xshell与xftp 3.安装与操作xshell 4.什么是xftp 5.安装与操作xftp 6.xshell与xftp互联 1.什么是xshell Xshell是一个强大的安全终端模拟软件&#xff0c;它支持SSH1&#xff0c;SSH2&#xff0c; 以及Microsoft Windows平台的TELNET协议。. …
阅读更多...
[Camunda BPMN进阶] 电商订单流程设计与调试

[Camunda BPMN进阶] 电商订单流程设计与调试

目录 摘要 基于BPMN的软件设计思想 电商订单流程业务场景 基本订单流程BPMN设计 1.最基本流程设计 2. 添加超时未付款自动取消功能 3. 添加15分钟付款提醒 4. 添加用户取消订单事件 进阶订单流程BPMN设计 1. 使用并行网关执行任务 2. 将具有相同事件分支的任务合并…
阅读更多...
基于PHP+MySQL月子中心管理系统的设计与实现

基于PHP+MySQL月子中心管理系统的设计与实现

月子中心管理系统是信息时代的产物,月子基本是每个适龄女子都会经历的一个特殊时期,尤其是在中国对月子的重视程度尤其的重要,只有让产妇和婴儿受到精心的照顾才能够让产妇更好的康复,才能够让婴儿更好的成长,所以越来越多的人关注到了月子期间的养护问题,为了能够让更多的月子…
阅读更多...
安卓APP源码和报告——学生信息管理系统

安卓APP源码和报告——学生信息管理系统

学生信息管理系统APP演示视频《移动开发技术II》实践考核方案 适用网络工程&#xff08;网络软件开发&#xff09;2018级 一、考核内容&#xff1a; 环境配置及移动开发生命周期、控件的使用、用户界面设计、数据存储与访问、广播、服务、网络编程、蓝牙应用等知识点。 二、…
阅读更多...
canal同步MySQL的binlog数据时踩了个大坑

canal同步MySQL的binlog数据时踩了个大坑

背景 在同步MySQL数据到ES的场景中&#xff0c;选择了canal组件同步数据。 问题描述 在同步的时候发现canal-adapter中canal-adapter/conf/es7/product.yml 配置文件中sql 语句连表查询的时候会出现无法更新Elasticsearch 中数据的情况&#xff0c;而且日志没有提示异常&…
阅读更多...
python使用opencv画圣诞树和画小星星函数

python使用opencv画圣诞树和画小星星函数

画星星函数&#xff1a; #img 图片 #x y 坐标 #size 大小 def darw_star(img,x,y,color,size40):poly_linenp.array([[x, y-size], [xint(size/4), y-int(size/4)], [xsize, y-int(size/4)],[xint(0.375*size),yint(size/4)],[xsize,ysize],\[x,yint(0.625*size)],[x-size,ysi…
阅读更多...
分布式定时调度：xxl-job 万字详解

分布式定时调度：xxl-job 万字详解

一.定时任务概述 1.定时任务认识 1.1.什么是定时任务 定时任务是按照指定时间周期运行任务。使用场景为在某个固定时间点执行&#xff0c;或者周期性的去执行某个任务&#xff0c;比如&#xff1a;每天晚上24点做数据汇总&#xff0c;定时发送短信等。 1.2.常见定时任务方案…
阅读更多...
基于web的家电维修系统/家电维修管理系统

基于web的家电维修系统/家电维修管理系统

摘 要 随着信息技术和网络技术的飞速发展&#xff0c;人类已进入全新信息化时代&#xff0c;传统管理技术已无法高效&#xff0c;便捷地管理信息。为了迎合时代需求&#xff0c;优化管理效率&#xff0c;各种各样的系统管理应运而生&#xff0c;各行各业相继进入信息管理时代&a…
阅读更多...
生物素标记甾体化合物/多杀菌素探针分子/壳聚糖/聚乙二醇偶连基团为华生物提供

生物素标记甾体化合物/多杀菌素探针分子/壳聚糖/聚乙二醇偶连基团为华生物提供

生物素标记的甾体化合物探针将D-生物素酰氯与胺反应,合成了新型生物素探针标记的甾体衍生物,经检测这些衍生物对某些肿瘤细胞株有较好的抗肿瘤活性,且对正常细胞株(HEK293T)没有明显的毒害作用。 生物素标记的多杀菌素探针分子&#xff0c;经检测验证&#xff0c;生物素标记多…
阅读更多...
Python多字段排序函数——cmp_to_key（）【LeetCode50天刷题计划寒假特别版（Day 1 — 最大数（11.40-12.20）】

Python多字段排序函数——cmp_to_key（）【LeetCode50天刷题计划寒假特别版（Day 1 — 最大数（11.40-12.20）】

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录前言使用方法例子一、题目最大数示例提示二、思路三、代码前言 python标准模块functools中的cmp_to_key可以将一个cmp函数变成一个key函数&#xff0c;从而支持自定…
阅读更多...
第二证券|支持多子女购房、提高公积金贷款额度、发放限时补贴

第二证券|支持多子女购房、提高公积金贷款额度、发放限时补贴

近来&#xff0c;多地购房支持方针密集出台。 12月1日&#xff0c;安徽安庆发布住所公积金新政&#xff0c;对多子女家庭首次请求住所公积金借款购买自住住所&#xff0c;最高借款额度添加10万元。 11月30日&#xff0c;江西九江也优化多子女家庭住所公积金事务&#xff0c;进…
阅读更多...
[附源码]Python计算机毕业设计Django公益组织登记与查询系统论文

[附源码]Python计算机毕业设计Django公益组织登记与查询系统论文

项目运行 环境配置&#xff1a; Pychram社区版 python3.7.7 Mysql5.7 HBuilderXlist pipNavicat11Djangonodejs。 项目技术&#xff1a; django python Vue 等等组成&#xff0c;B/S模式 pychram管理等等。 环境需要 1.运行环境&#xff1a;最好是python3.7.7&#xff0c;…
阅读更多...
Springboot集成shiro框架：

Springboot集成shiro框架：

1&#xff0c; Shiro&#xff1a;是一个强大且易用的Java安全框架&#xff0c;执行身份验证、授权、密码和会话管理。 使用Shiro的易于理解的API&#xff0c;可以快速、轻松地获得任何应用程序&#xff0c;从最小的移动应用程序到最大的网络和企业应用程序。 2&#xff0c;三…
阅读更多...
POSIX线程（二）

POSIX线程（二）

目录 一、前言 二、Thread Attributes 1、Setting the Detached State Attribute&#xff08;thread5.c&#xff09; 2、Thread Attributes Scheduling &#xff08;1&#xff09;Scheduling&#xff08;thread6.c&#xff09; 三、Canceling a Thread 1、Canceling a …
阅读更多...
[附源码]计算机毕业设计医院门诊管理信息系统Springboot程序

[附源码]计算机毕业设计医院门诊管理信息系统Springboot程序

项目运行 环境配置&#xff1a; Jdk1.8 Tomcat7.0 Mysql HBuilderX&#xff08;Webstorm也行&#xff09; Eclispe&#xff08;IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持&#xff09;。 项目技术&#xff1a; SSM mybatis Maven Vue 等等组成&#xff0c;B/S模式 M…
阅读更多...
一篇打通线程 等待 中断

一篇打通线程 等待 中断

✨✨hello&#xff0c;愿意点进来的小伙伴们&#xff0c;你们好呐&#xff01; &#x1f43b;&#x1f43b;系列专栏&#xff1a;【JavaEE初阶】 &#x1f432;&#x1f432;本篇内容&#xff1a;介绍 线程的 中断,等待的区别 &#x1f42f;&#x1f42f;作者简介:一名现大二的…
阅读更多...
思科防火墙——实验练习加命令

思科防火墙——实验练习加命令

作者简介&#xff1a;一名在校云计算网络运维学生、每天分享网络运维的学习经验、和学习笔记。 座右铭&#xff1a;低头赶路&#xff0c;敬事如仪 个人主页&#xff1a;网络豆的主页​​​​​​ 目录 前言 一.实验练习 1.实验&#xff08;1&#xff09;配置ASA接口 2.实…
阅读更多...
HTML网页制作代码——简约的旅游图文相册博客HTML模板(12页)HTML+CSS+JavaScript 静态HTML旅行主题网页作业

HTML网页制作代码——简约的旅游图文相册博客HTML模板(12页)HTML+CSS+JavaScript 静态HTML旅行主题网页作业

&#x1f468;‍&#x1f393;学生HTML静态网页基础水平制作&#x1f469;‍&#x1f393;&#xff0c;页面排版干净简洁。使用HTMLCSS页面布局设计,web大学生网页设计作业源码&#xff0c;这是一个不错的旅游网页制作&#xff0c;画面精明&#xff0c;排版整洁&#xff0c;内容…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023