来源：微信公众号：L先生说（ID：lxianshengmiao）. 经常看到不少人问一个问题：有什么办法，可以让自己保持长时间的专注呢. 长时间（好几个小时）保持高度专注，无论是工作，还是学习，都是一件不现实的事情，一定会导致疲劳. 但是，在保证「张弛有度」的前提下，还是有一些技巧，可以让大脑保持清醒，运转得更高效的.

一开始二月份左右，首批赚钱的是靠卖 GPT 提问次数. 起初，这个市场就是赚好奇心的钱，但现在情况是门槛降低了，到处都是套壳产品，GitHub 上有十几个开源项目可供使用，热度也降低了. 然后是卖教程和信息差，赚 FOMO （ fear of missing out ）焦虑的钱. 随着时间的推移，这些教材内容被互相转载，现在全部免费了，能够割韭菜的机会已经差不多被利用完了.

在《使用 Transformers 进行概率时间序列预测》的第一部分里，我们为大家介绍了传统时间序列预测和基于 Transformers 的方法，也一步步准备好了训练所需的数据集并定义了环境、模型、转换和 InstanceSplitter. 本篇内容将包含从数据加载器，到前向传播、训练、推理和展望未来发展等精彩内容.

我们知道，用户体验是 Web 产品最为重要的部分. 尽可能减少首屏加载时间，更为流畅地展示用户所需求的内容，会是用户是否留存的关键因素. 而随着现代 Web 业务可供用户的交互行为越来越多，前端项目的复杂度越来越高，每个页面的渲染时间也必然越来越长，这就导致了用户的体验不佳，用户的操作变慢. 为此，前端工程师们在首屏请求的各个阶段中持续钻研，不断探究如何将首次页面渲染的时间减少到更小，力求提供更为优秀的产品体验.

这是我参与2022首次更文挑战的第7天，活动详情查看： 2022首次更文挑战. 在后端服务开发时，现在很流行的框架组合就是SSM（SpringBoot + Spring + MyBatis），在我们进行一些业务系统开发时，会有很多的业务数据表，而表中的信息从新插入开始，整个生命周期过程中可能会进行很多次的操作.

@cozicoke：提醒一下大家，最近如果外出去公共场所的话一定要戴口罩. 根据最新的排摸口径，疾控现在做流调的时候都是看监控回放的，如果是在和密接在同一空间接触的，没戴口罩那就是次密，集中隔离14天，戴口罩就是高筛，2+12管理. 基本上戴口罩可以下降一个管理级别. 想看更多劲爆内容，请下载抽屉新热榜客户端 :.

来自 App Annie 的报告称，英美网民在 TikTok 上 平均花费的时间超过了 YouTube. YouTube 有更多的用户，因此网民在 YouTube 上投入的总时间仍然超过 TikTok. YouTube 有大约 20 亿月活用户，而 TikTok 最新数据未知，2020 年中的数据是 7 亿.

世界卫生组织和国际劳工组织17日发布报告说，工作时间过长造成全球数十万人死于中风或心脏病，新冠疫情居家办公恐怕会令这一趋势恶化. 报告显示，每周工作至少55个小时导致全球74.5万人在2016年死于中风和局部缺血性心脏病，较2000年增长29%. 这些人去世时年龄在60岁至79岁不等，他们在45岁至74岁期间每周工作55个小时或更长时间.

1、建表时运用 DEFAULT SYSDATE 给字段设置默认时间：. 2、运用 alter table 来给字段添加默认值：. "creat_time"为具体字段名. 注意所选字段为当前表的字段，且字段正确性要验证，否则会多添加出一个字段. 二、字段更新后自动更新update_time.. 　　通过给表设置触发器，当触发器触发时则会自动调用触发条件：.

Java获取当前时间戳一般是通过System.currentTimeMillis()来获取. 这是一个native方法，用于获取当前时间与1970年1月1日0点之间的差，虽然返回值的时间单位是毫秒，但该值的粒度取决于基础操作系统. 看下HotSpot源码的hotspot/src/os/linux/vm/os_linux.cpp文件中，有一个javaTimeMillis()方法，这就是System.currentTimeMillis()的native实现.

汉朝盛世比唐朝持续时间更长，为何外国人把中国人称为“唐人”. 提到汉朝和唐朝这两个盛世朝代，稍微懂一点历史的中国人就会骄傲的竖起大拇指. 从盛世持续的时间长短看，汉朝盛世持续的时间比唐朝更长. 但是，今天的外国人却把中国人称为“唐人”，遍布在国外的中国人聚居区被称为“唐人街”，这到底是怎么回事呢. 要想回答这个问题，我们就得从两个盛世帝国对外交往的特点找到答案.

❝ 本文详细介绍了在上游使用处理时间语义的 flink 任务出现故障后，重启消费大量积压在上游的数据并产出至下游数据乱序特别严重时，下游 flink 任务使用事件时间语义时遇到的大量丢数问题以及相关的解决方案. 「1.本次踩坑的应用场景」. 「2.应用场景中发生的丢数故障分析」. 「4.丢数故障解决方案及原理」.

之前对id的自增长进行了设置，原以为时间戳的更新也类似，使用序列之类的，但最终发现跟序列没半毛钱关系. 触发器是肯定要用的，但编写脚本也是需要的. 图2中，我们要选择事件（即例子中的INSERT,UPDATE），触发时间（即INSERT,UPDATE事件的前或后，例子中是before），列（例子中为MODIFIED_DATE，为TimeStamp类型），新旧值（为系统默认值OLD和NEW）.

让字段自动更新为当前时间戳：. --insert时若不指定updated值，则插入当前时间. --insert时和update时若不指定updated值，则插入当前时间. --insert时若不指定updated值，则为NULL；update时若不指定updated值，则插入当前时间. timestamp类型只用来存储创建时间和更新时间，因为可以自动更新，不需要程序里来处理.

响应时间（response time 简称 RT）是从系统接收请求开始到返回响应之间的时间跨度，是一项极其重要的性能指标. 它可以从侧面反映系统的整体吞吐量，也是业务请求（比如 sql 请求）的性能好坏的判断依据. 举个例子 A 要从杭州坐飞机到北京机场，经历如下：. 从公司到萧山机场 40min 机场安检，候机，登机 40min 飞机飞行 耗时 100min 飞机落地，打的到望京 耗时40min RT= 40 + 40 + 100 + 40 =220min.

小叽导读：相信大部分人都有点过外卖的经历. 在饿了么，为了让骑手能够准时准点将外卖送到每位用户的手中，让每位用户吃上一口热乎饭，阿里本地生活智慧物流团队对外卖履约时间预估这一问题进行了深入研究，并给出了有效的解决方案，本文将为大家做一个简要介绍. 外卖履约时间预估（OFCT：Order Fulfillment Cycle Time）问题相比一般的时间预估问题而言更为复杂，其中存在餐厅与用户的供需关系、餐厅出餐时间的未知性以及骑手行为的不确定性等问题.

时间序列的异常检测问题通常表示为相对于某些标准信号或常见信号的离群点. 虽然有很多的异常类型，但是我们只关注业务角度中最重要的类型，比如意外的峰值、下降、趋势变化以及等级转换（level shifts）. 革新性异常：innovational outlier (IO)，造成离群点的干扰不仅作用于$X_T$，而且影响T时刻以后序列的所有观察值.

项目中使用LocalDateTime系列作为DTO中时间的数据类型，但是SpringMVC收到参数后总报错，为了配置全局时间类型转换，尝试了如下处理方式. 注：本文基于Springboot2.x测试，如果无法生效可能是spring版本较低导致的. PS：如果你的Controller中的LocalDate类型的参数啥注解（RequestParam、PathVariable等）都没加，也是会出错的，因为默认情况下，解析这种参数是使用.

判断时间序列数据是上升还是下降是我们常见的问题. 比如某个股票在过去一年整体趋势是上升还是下降. 我们可以通过画图的方式直接观测出上升还是下降. 但每次观测图片非常的麻烦，有没有一些数学方法进行检验. 则：$S= \sum_{m=1}^{n}(|A_m-A_{m-1}|)$. 当序列单调时：$S = |A_n-A_0|$，否则$ S > |A_n-A_0|$.

控制比特率，却发现结果并没有如我们. 设置所愿，通过码流分析器观察视频码流，. 控制的并不好，这时候，我们可以通过以下命令解决：.       其中 -maxrate、-minrate为. 设置最小最大比特率，-bf为设置B帧数目，其实就是设置. 编码是B、P、I帧的结构，我这里设置的为IPBPBP结构，-b_strategy这个命令是为了自适应的添加B帧数目，ffmpeg编码器会根据视频的应用场景，自适应的添加B帧，通过设置-b_strategy 0，，将这个功能关闭，那么就会根据你的设置要求进行编码.

【TechWeb】4月9日消息，据国外媒体报道，自动驾驶是近几年汽车行业的一大热点，谷歌、苹果、特斯拉、通用等众多企业都在这方面有布局，其中也包括了以打车服务出名的Uber，但Uber自动驾驶方面的高管近日表示，自动驾驶汽车大规模普及还需要很长的时间. 认为自动驾驶汽车还需要很长的时间才能普及的，是Uber先进技术集团的首席科学家拉克尔·乌尔塔森（Raquel Urtasun），先进技术集团是Uber进行自动驾驶等先进技术研发的部门，拉克尔·乌尔塔森负责领导这一集团在加拿大多伦多的部门.

很多人说看过很多设计道理却依然做不好设计，还不如直接看设计案例来的简单粗暴. 今天为大家找到一篇实战好文，一个人，3天时间，打造一款APP全流程设计，学起来吧. 几周前，我接到一个设计需求是为食品行业设计一套解决方案，甲方给出的时间是必须在3天内完成. 乍一听，可能会觉得这几乎是不可能的，但是如果你熟悉“GV Design Sprint ” （译者注：GV  Design Sprint就是一个专业的设计流程方案，想了解的朋友请见https://designsprintkit.withgoogle.com/introduction/overview），那么就会明白，这实际上是可以做到的.

多余的话就不多说了，今天本文为大家介绍两种使用树莓派来做直播服务器的方法. 方案一 ffmpeg + ffserver搭建流媒体服务器. 兼容树莓派的USB摄像头一个. ffmpeg，负责媒体文件的转码工作，把你服务器上的源媒体文件转成要发出去的流媒体文件. ffserver，负责响应客户端的流媒体请求，把流媒体数据发送给客户端，相当与一个小型的服务端.

上周科技界最大的新闻恐怕就是谷歌花了32亿美刀. 收购了大名鼎鼎的智能设备公司. 它的两款产品（智能温控器和烟雾探测器）以优秀的工业设计和颠覆性的功能为人称道. 更重要的是，Nest向我们展现了什么才是用户想要的“物联网”产品. 不过，Nest固然好，在中国想要得到它可不容易. 它在淘宝上的价格高达1200+人名币.

时间序列预测在日常分析中常会用到，前段时间在处理预算相关的内容，涉到一些指标预测，学习到了这篇文章，整理出来分享给大家. 数据集（JetRail高铁的乘客数量）下载，链接: https://pan.baidu.com/s/15w5_5_o8IK6ZT3VlNSRa7Q 提取码: 9be3. 假设要解决一个时序问题：根据过往两年的数据（2012 年 8 月至 2014 年 8月），需要用这些数据预测接下来 7 个月的乘客数量.

//测试是否有生成重复的ID. private static final byte LEVEL = 7; //限定一秒钟最多产生1000万-1 个数. * 测试机器系统参数： Win7 64位 i5-4210M 4core 2.6GHz 内存8GB. * 测试10个线程并发产生，每秒可以产生310万左右个序列号.

Varkey Foundation 对 29 个国家逾 2.7 万名家长的研究 发现，在教育观方面，新兴经济体中的父母与西方的父母处于不同的世界. 整个新兴世界的父母在辅导孩子学习方面花费的时间都要远远超过发达国家的家长：印度父母在辅导孩子学习方面花费的时间超过所有其他国家接受调查的父母，62% 的人称他们每周辅导孩子学习的时间不少于 7 个小时；越南一半父母为辅导孩子贡献了这么长的时间，而在哥伦比亚，39% 的父母每周为辅导孩子花费的时间不少于 7 个小时.

其实之前介绍过3倍方差，只是，这里的3倍方差讲的是在时间序列异常检测中的应用. 一个很直接的异常判定思路是，拿最新3个数据点的平均值（tail_avg方法）和整个序列比较，看是否偏离历史总体平均水平太多，如果偏离太多，就报警. 和上述算法基本一致，只是比较对象不是整个序列，而是开始一个小时（其实这种这种思想可以推广，只要是时间序列刚开始的一段时间即可）的以内的数据，求出这段时间的均值和标准差和尾部数据（新产生的数据）用三本方差的方法比较即可.

36氪专门为读书设立了【36氪领读】栏目，筛选一些值得读的书，并提供一些书摘. 希望你手边有一本称心的书，让读书这场运动继续下去. 伴随着国民总时间概念的兴起，互联网巨头纷纷布局内容行业，以争夺用户时间. 作为内容生产者主力的各类自媒体也如雨后春笋般涌现，在内容创作、内容变现等方面做得风生水起. 通过算法实现的推荐技术基于用户历史数据和行为，推测用户意图，推荐合适的商品和内容给终端用户，显著提高了用户的点击率和留存率.

作为大龄玩家的你，感同身受了吗. 我有个很活跃的微信群，里面都是一些游戏行业的老前辈，平时大家就是聊天打屁，说说行业或各种生活话题. 群里有个梗和今天我要说的主题有关. 有位群友——为了保护当事人的隐私，我们叫他高先生——很早就加入游戏行业，现在家庭幸福，有一个上小学的儿子. 高先生当年也是一位游戏热爱者，涉猎广泛，直到现在即使工作繁忙，也会抽时间玩游戏.