MATLAB开发的LSTM深度学习网络来预测时间序列的工具箱-支持单时间序列和多元时间序列的预测

针对常见的降维方法难以有效保留多元时间序列主要特征的问题, 分析了传统主成分分析(PCA) 方法在多
元时间序列降维中的局限性, 提出一种基于共同主成分分析的多元时间序列降维方法, 并通过仿真实验比较了两种
方法的降维有效性和计算复杂度. 实验结果表明, 所提出的降维方法能够以相对较小的计算代价, 更有效地对多元时
间序列进行降维.

向量自回归模型，可以用于分析多元时间序列相关关系，进行格兰杰因果检验、脉冲响应等等

该数据集将多元时间序列数据的多维拆解成多个一维文件，并以csv的格式对数据进行存储 该数据集结构为： -E:/桌面/代码/数据集/Multivariate2018_arff_csv -ArticularyWordRecognition -test_dim1.csv -test_dim2.csv ..... -train_dim1.csv -train_dim2.csv ..... -train_label.csv -test_label.csv 每个数据集下包含测试集数据、测试集标签、训练集数据、训练集标签

ARIMAX模型检验 适应性检验:模型残差序列属于白噪声序列；残差与输入变量序列无显著关系 参数检验:所有参数显著非0 back

Python实现STID多元时间序列预测 多元时间序列 (MTS) 预测在广泛的应用中起着至关重要的作用。STID 基于简单的多层感知器 (MLP) 同时实现最佳性能和效率。

多元时间序列无监督可缩放学习

多元时间序列 (MTS) 数据集广泛存在于众多领域，包括医疗保健、多媒体、金融和生物识别。 由于MTS是许多计算机视觉和模式识别应用中的重要元素，因此如何准确地对MTS进行分类已成为研究的热点。 在代码中，我们为 MTS 分类提出了基于马氏距离的动态时间规整 (MDDTW) 度量。 Mahalanobis 距离在每个变量与其对应的类别之间建立了准确的关系。 它用于计算 MTS 中​​向量之间的局部距离。 然后我们使用动态时间扭曲 (DTW) 来对齐那些不同步或长度不同的 MTS。 同时，我们使用基于 LogDet 散度的三元组约束（LDMLT）模型来学习具有高精度和鲁棒性的 Mahalanobis 矩阵。 此外，我们还演示了代码在 MTS 数据“JapaneseVowels”上的性能。

时间序列的建模过程，主要是ARMA和ARIMA等模型的建模。

现有的多元时间序列相似性度量方法 难以平衡度量准确性和计算效率之间的矛盾.针对该问题,首先,对多元时间序列进行多维分段拟合;然后,选取各分段上序列点的均值作为特征;最后,以特征序列作为输入,利用动态时间弯曲算法实现相似性度量.实验结果表明,所提出方法参数配置简单,能够在保证度量准确性的前提下有效降低计算复杂度.