Skip to content

This repository contains the Jupyter Notebooks for the manual time series analysis of the STOWA, using the Python-package Pastas

License

Notifications You must be signed in to change notification settings

pastas/stowa_handleiding_tijdreeksanalyse

 
 

Repository files navigation

Stowa Handleiding Tijdreeksanalyse

Deze repository bevat de Jupyter Notebooks die zijn ontwikkeld voor de handleiding tijdreeksanalyse van de STOWA (https://www.stowa.nl/publicaties/handleiding-voor-het-uitvoeren-van-tijdreeksanalyses).

Jupyter Notebooks

Er zijn vier notebooks met uitleg over het gebruik van de PIRFICT methode voor tijdreeksanalyse, de methode die wordt gebruikt in pastas (https://github.com/pastas/pastas). De onderwerpen die worden behandeld zijn:

  1. voorbewerking
  2. modelstructuur
  3. kalibratie
  4. beoordeling

Daarnaast zijn er vier notebooks met casussen waarin praktische toepassingen van tijdreeksanalyse worden beschreven. De volgende casussen zijn uitgewerkt:

  1. Invloeden bepalen
  2. Karakteristieken bepalen
  3. Systeemanalyse
  4. Voorspellen

Anaconda Environment

De notebooks zijn gemaakt met Python 3.8 en Pastas 0.17.1. In het bestand environment.yml is de exacte configuratie van het de Python-omgeving gedocumenteerd. Om deze configuratie te installeren kun je de volgende regel in een terminal runnen ( zie ook Anaconda Docs):

>>> conda env create -f environment.yml

Disclaimer

De notebooks in deze repository zijn gefinancierd onder het project "Handboek Tijdreeks-analyse" van de STOWA, STOWA pr. nummer 443.399.

Auteurs

De volgende auteurs hebben bijgedragen aan verschillende onderdelen van de notebooks:

  • M. Bakker
  • D. Brakenhoff
  • R.A. Collenteur
  • O.N. Ebbens
  • F. Schaars
  • S.A. Klop

About

This repository contains the Jupyter Notebooks for the manual time series analysis of the STOWA, using the Python-package Pastas

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Jupyter Notebook 100.0%