今天凌晨1点苹果向全球用户正式推出 iOS 15.0 正式版，版本号为 18A346 在过去的三个月时间里 iOS 15.0 一共推出了 9 个测试版本，正式版于今天终于推出，关于 iOS 15 所带来的新变化大家一起来回顾一下。

实况文本

新功能“实况文本”支持提取或者翻译图片中的文字，可以用于记录和查询，包括根据关键点查找图片，如果是地点可以进行定位，如果是号码可以快捷拨打，如果是网站可以快速访问，还支持选中文字内容拖拽进行粘贴。

专注模式

新功能“专注模式”专门为用户个人定制的功能，专注模式包括工作、私人时间、睡眠、健身、游戏、阅读或驾驶等活动。不仅如此你还可以创建自定义的专注模式，基于你当前活动筛选通知，自动屏蔽你不想接收到的通知。

Safari 浏览器新变化

iOS 15 对 Safari 浏览器进行重新设计，新增标签页组，支持更多手势操作，搜索框自定义显示在顶部或者底部，优化了搜索显示的结果列表，还能通过语音搜索网页。

新功能

新功能 允许用户进行共享 Apple Music 歌曲、电视节目或电影等媒体。支持共享播放控件，因此 会话中的任何人都可以播放、暂停或跳过内容，以及添加到共享队列中，不过目前 功能暂时被禁用，后续再进行开放。

通知摘要

新功能“通知摘要”多条通知消息显示会形成折叠样式，也可以将任意App或信息对话设置为暂时静音，还可以在早上、晚间或你选择的时段，接收每天收到通知的实用摘要，提升阅读效率。

语音突显

打开“语音突显”功能，系统将通过机器学习技术识别并屏蔽环境噪音，让您的声音显得更加清晰更加响亮，不管是室外的汽车飞驰而过的轰鸣声，还是邻居宠物叫声都不会干扰到你的通话。

与您共享

新的“与您共享”会通过信息 App 共享给你的内容，都会在显示在各个 App 的“与您共享”栏里，方便你进行操作，而这些 App 就包括照片 app、Safari 浏览器、Apple Music 和 Apple 播客等等。

新的拟我表情

iOS 15 可以为拟我表情挑选服装，用新的贴纸来传情达意，还能用缤纷的头饰来打造自己的外观和风格。另外，辅助功能自定义选项现包括人工耳蜗、氧气管和软头盔。

“查找” 新功能

简单来说就是在 iPhone 关机离线的状态下，也可以通过蓝牙让附近的苹果设备搜索到，并将定位上传到 iCloud，当设备丢失或被盗时能发挥极大的作用，即使设备被小偷关机了，查找网络依然有效。

“还原” 新功能

在设置-通用-传输与还原iPhone 中新增了“为新 iPhone 做准备”的选项，可以在购买新的 iPhone 还没到达之前提前将手机数据进行备份，并且提供“查看折抵状态”简单来说就是回收报价。

“天气” 新变化

iOS 15 对天气 App 也进行重新设计，主视图中显示每小时天气状况，最多十日显示，加入了许多图形数据，包括空气质量、温度、紫外线指数、日落和日出、风、降水、湿度、能见度、以及气压等，降水图也迎来了动画效果，可展示来袭风暴的路径和雨雪强度。

App Store 新变化

如果我们已经通过 安装了某个应用的测试版本，现在也会在 App Store 中介绍 测试的版本信息。

“钱包” 新功能

iOS 15 将钱包 App 进行重新升级，支持 NFC 门卡，交通卡、车钥匙、酒店门卡，在美国 iPhone 甚至还能替代身份证，不过现在这些新功能在国内还不支持使用。

“地图” 新变化

iOS 15 将地图 App 进行重新升级，优化后会呈现商业区、建筑等更丰富的细节，比如海拔、道路颜色等，并加入了夜晚的月光效果。在高速路上，地图可以渲染出复杂的立体道路情况，目前国内完美适配还需要一段时间。

“闹钟” 回归经典

iOS 15 将闹钟 App 进行重新调整，闹钟设定界面又改回了旋转拨盘，回归经典设计。

支持 iOS 15 的机型

iOS15 ‌将继续支持搭载 A9 芯片的 iPhone 6s、iPhone‌ 6s Plus 和 iPhone SE 第一代 这三款机型，从 开始，之后发布的机型都可以升级。

iOS 15 正式版升级

如果之前已经升级到 iOS 15 测试版，请打开设置-通用-设备管理 将 iOS 15 测试版更新描述文件移除，才能正常收到 iOS 15 正式版更新。

最后想说

从第一个测试版开始使用 iOS 15 到现在已经有3个月了，从最开始的各种问题，到现在稳定的正式版发布，经历的心酸只有升级过测试版的小伙伴清楚，另外 iOS 15 在支持120Hz刷新率的 iPhone 13 Pro 上面不知体验如何。

一文带您了解时间序列分析和预测(TimeSeries Analysis/Forecasts)

我们所有人这辈子都在预测未来，无论是买彩票还是股票，或者考试猜题押题，我们所做的每一件有目的的事情都是在预测未来，因为目的就是在未来，但是也知道预测未来是一件很难的事情，谁能够准确的预知未来的话，那么这个人也就无敌了。

从古至今人们也都在寻找预测未来的方向，一个是神学方向的，一个是科学方向的。神学方向也就是我们平时说的占卜、看手相面相星座等行为的算命。预测未来听起来就是一个很唯心的东西，科学也可以预测未来吗，答案是肯定的，而且理论上是精准预测，这个能够精准预测未来的东西它叫做拉普拉斯的恶魔或者叫拉普拉斯的妖，是一个妖怪。

这个不是神学，是通过《因果论》推导出来的，《因果论》是科学的根基，只要科学是成立的，那么过去和未来也都是确定的。理论上就存在这么一个东西，可以计算过去未来，这个能够计算过去和未来的东西，就叫做拉普拉斯的恶魔。这个恶魔也就是神学上全知全能的神。

拉普拉斯妖它可以预测未来，其原理是它如果可以知道宇宙中所有原子准确的位置、速度、运动方向、所受的力等等，总之就是它知道一切物理参数，然后它又看破宇宙一切物理性质，那么它就可以利用物理公式计算出未来所有原子的轨迹，演化出未来，这就是牛顿的机械宇宙，在机械宇宙中不存在随机的事情，一切都是设计好，安排好的。

什么是时间序列

时间是标注事件发生瞬间及持续历程的基本物理量，时间是运动着的物质的存在形式，它表示物质运动过程的持续性(时间是物质运动的存在方式)。

时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列成的数列。

时间序列的类型主要包括：

什么是时间序列分析/预测

时间序列分析（Time-Series ）是指将历史的远动行为/观察者(比如:销售)分解为四部分来分析--趋势、周期、规律和不稳定因素。我们以下图为例可以分析出如下特征：

时间序列预测是使用统计和机器学习算法来提供准确的时间序列预测。待预测变量称为观察值（目标变量），时间序列预测是指基于历史数据来预测未来的观察值。时间序列预测在零售、金融、物流和医疗保健等多个领域广泛应用。

不是所有时间序列数据都是可以预测的，比如：股票波动走势是典型的时间序列，但是它随机的，是无法预测的。时间序列可定量预测的前提：

声称可以预测股票的走势的，不是骗子就是疯子。

时间序列预测的标准范式：

时间序列预测的评估

时间序列预测中存在一种挑战，即难以进行传统的交叉验证，因为在时间序列数据中使用交叉验证可能会导致数据泄漏问题。解决这个问题的方法是采用回测（back test）的方式进行测试。回测是一种模拟历史情况，以验证时间序列模型的性能和可行性的方法。在回测中，模型被应用于过去的数据，然后通过观察模型在历史上的表现来评估其在未来的预测能力。这种方法有助于更好地了解模型的实际性能，同时避免了数据泄漏的问题，因为模型只能使用过去的信息来进行预测，而不会获取未来数据。

时间序列预测的挑战

预测是探索未来的科学，而预测结果的准确性至关重要。然而，实现高精度预测面临一些挑战：

时间序列预测算法

为了应对不同的时间序列挑战，出现了多种算法和方法。这些方法可以大致分为三类：传统算法、机器学习算法和深度学习算法。让我们深入了解每一种算法的工作原理和应用领域。

传统的统计算法：

机器学习算法：

深度学习算法：

借鉴AWS 一张图参考不同算法的能力范围：

传统时间序列算法

AR:,自回归，AR可以解释为当前数据与前p期数据之间的关系。

MA:，移动平均模型，当前时刻的序列值是过去q阶白噪声的线性组合。

ARMA:Auto and Moving Average，自回归移动平均模型,是自回归(AR)和移动平均模型(MA)两部分组成。

ARIMA：Auto Average，差分自回归移动平均模型

机器学习的方式进行时间序列预测

时间序列从概率的角度上是随机过程在时间方向上的一次采样(因为时间不能重来,这个采样只能随着时间往后，而无法在空间上重复)。时间序列的建模就是期望通过历史时间上的数据来学习模型，然后对未来进行预测。

机器学习是如何学习的?从概率的角度上看，有监督的学习的训练样本就是P(y|x)在空间方向上的采样。这个采样可以不断重复，但没有先后时间的概念。机器学习的建模就是期望通过这样的采样数据来学习模型，然后对后面样本进行预测。

对于Arima，Arimax这样的传统时间序列模型，它们和机器学习的建模有很大的相似性。

机器学习的方式进行时间序列预测本质上将时间维度转换为空间维度上进行建模和预测，参考下图：

•Prophet

Prophet是一种由开发的开源时间序列预测工具，专门用于处理具有季节性和趋势性的时间序列数据。它设计的初衷是让时间序列预测变得更加容易，尤其是适用于那些不具备深度统计或机器学习专业知识的用户。Prophet的主要特点包括以下几点：

灵活性： Prophet允许用户在模型中添加自定义的节假日效应，以更好地捕捉特定日期对时间序列的影响。季节性模型： 该工具内置了强大的季节性模型，能够自动检测和建模数据中的季节性和趋势，使得预测更加准确。可解释性： Prophet提供了丰富的可视化工具，使用户能够直观地理解模型如何对时间序列数据进行拟合。容错性： 它能够处理缺失数据和异常值，使得在实际应用中更具鲁棒性。

详细参考地址：

深度机器学习方式进行时间序列预测

时间序列分析和预测是人们长期以来探索的科学领域，涵盖了神学和科学两大方向。科学方法通过因果推导，如拉普拉斯的恶魔，可以理论上精确地预测未来，但需要知晓宇宙中一切物理参数。时间序列分析是通过分解趋势、周期、规律和不稳定因素，从历史数据中挖掘模式，用于各个领域的预测。不同类型的时间序列和挑战需要不同的算法，包括传统统计算法（如ARIMA）、机器学习（如Prophet）、深度学习（如DeepAR）。在预测中，准确性至关重要，但挑战包括数据噪音、缺乏背景信息和结构性中断。时间序列预测旨在帮助我们更好地理解未来，尽管预测未来依然是一项具有挑战性的任务。