保守值法matlab代码PMIME和TE 我们通过混合嵌入实现部分条件互信息，以进行多元时间序列的耦合估计。 我们还使用传递熵来实现此方法。 在建议的部分MIME（PMIME）度量中，嵌入在所有观察到的变量上，并且在解释响应变量时进行了优化。 结果表明，PMIME可以正确检测直接耦合，并且胜过（线性）条件格兰杰因果关系和部分转移熵。 而且，我们还使用传递熵代替条件互信息来评估耦合。 环境 Matlab的 Windows或Linux或Mac 步 准备表示长度为K的K时间序列的N x K矩阵的数据。 对使用PMIME或TE的程序进行编码。 function [RM,ecC] = PMIME(allM,Lmax,T,nnei,A,showtxt) function [RM,ecC] = TransferEntropy(allM,Lmax,T,nnei,nsur,alpha,showtxt) 输入 allM：长度为N的K个时间序列的N x K矩阵。 Lmax：搜索混合嵌入矢量的X和Y分量的最大延迟（默认为5）。 T： T向前迈进了混合嵌入向量必须解释的地方。 请注意，如果T> 1，则未来向量的

该代码使用自回归分数积分移动平均 (ARFIMA) 模型执行时间序列模拟，该模型概括了 ARIMA（自回归积分移动平均）和 ARMA 自回归移动平均模型。 ARFIMA 模型允许差分参数的非整数值，并且在建模具有长内存的时间序列时很有用。 该代码通常模拟 ARFIMA(p,d,q) 模型，其中 d 是差分参数，p 和 q 分别是模型的自回归和移动平均部分的阶数。

混沌时间序列分析及其应用,本书作者是著名学者吕金虎、陈安君

时间序列分析——高阶统计量方法-张贤达.pdf，

很棒的混沌时间序列matlab工具箱。 但是，对matlab的版本有一些要求， 需要matlab7.4以上的版本。现在2009a都有了，这不是问题。新版本的matlab很好用。 另外说一句：偶很不喜欢有些网站对下载的限制太高。CSDN评价完了之后就归还，我很喜欢。

深度学习时间序列数据集，可用作分类以及其他功能。是时间序列界的“Imagnet”，发文章必跑数据集。大约有128个数据集，如ECG5000，GunPoint，coffee等数据集。内含密码。

风力发电预测 这是根据我的硕士论文进行的一项实验，其主要重点是比较应用于时间序列问题的不同深度学习策略。 这项研究仅集中在循环和卷积体系结构上。 数据 数据由RedesEnergéticasNacionais（REN）收集，并基于葡萄牙电力系统中注入的风力。 从2010年第一天到2016年最后一天，它以15分钟的分辨率进行了采样。所收集的数据适用于与REN遥测系统相连的所有风电场。 数据在data文件夹下。 客观的 主要任务是对产生的风力进行预测。 将要预测三个视野。 一小时，六小时和24小时，这意味着在提前一小时的预测中将预测4分（15、30、45和60分钟）。 演算法 测试了以下体系结构列表： RNN架构[RNN + GRU + LSTM单元] 扩张式递归架构 编码器-解码器体系结构 编码器-解码器+注意系统体系结构 准RNN Wavenet TCN 有关模型的详细说明，请检查链接

单变量时间序列公开数据集，格式.csv,字段Datetime和AEP_MW，时间间隔为小时！

概率统计学科中应用性很强的一门分支，在金融、信号处理、机械振动方面有广泛应用

传递熵 两个时间序列之间的传递熵统计的python实现。 从X到Y的转移熵，其中X，Y是两个随机过程，是一种非对称统计量度，用于测量在给定X和Y历史的情况下X的未来值的不确定性降低。或者从Y到X的信息量。通过具有条件概率的Kullback-Leibler散度