时间序列分析英文版时间序列分析英文版时间序列分析英文版时间序列分析英文版

pmdarima Pmdarima（最初为pyramid-arima ，表示“ py” +“ arima”）是一个统计库，旨在填补Python时间序列分析功能中的空白。 这包括： 相当于R的功能 平稳性和季节性统计检验的集合 时间序列实用程序，例如微分和逆微分 大量内生和外生的变形器和特征器，包括Box-Cox和Fourier转换 季节性时间序列分解 交叉验证实用程序 丰富的内置时间序列数据集，用于原型制作和示例 Scikit学习式管道可整合您的估算器并促进生产 Pmdarima在内部隐藏了 ，但设计时使用了熟悉scikit学习背景的用户熟悉的界面。 安装 Pmdarima在pypi上具有Windows，Mac和Linux（ manylinux ）的二进制和源发行版，软件包名称为pmdarima ，可以通过pip下载： $ pip install pmdarima 快速入门示例 在数据集上拟合一个简单的自动ARIMA： import pmdarima as pm from pmdarima . model_selection import train_test_split im

在这篇提交中，我实现了一个径向基函数 (RBF) 神经网络，用于预测混沌时间序列预测。 特别是设计了一个 Mackey Glass 时间序列预测模型，该模型可以使用过去的时间样本预测几步的值。 RBF 是使用传统的梯度下降学习算法训练的，核函数是高斯核，其中心和散布是从 K-mean 聚类算法获得的。

时间序列和NLP的深度学习 有关信息，请参见。

这是关于时间序列离散化的电子书，高清，最新版本，经典著作，英文版

tensorflow下用LSTM网络进行时间序列预测，实时多变量预测和对于未来数据的单变量预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。

MatrixProfile MatrixProfile是Matrix Profile Foundation为您提供的Python 3库，用于挖掘时间序列数据。 Matrix Profile是一种新颖的数据结构，具有由UC-Riverside的Keogh和Mueen研究小组和新墨西哥大学开发的相应算法（踩踏，体制，主题等）。 该库的目的是通过标准化核心概念，简化的API和合理的默认参数值，使新手和专家都可以使用这些算法。 除了此Python库之外，Matrix Profile Foundation还提供了其他语言的实现。 这些语言具有相当一致的API，使您可以轻松地在它们之间进行切换，而无需花费大量学习时间。 tsmp -R实现 go-matrixprofile -Golang实现 Python支持 当前，我们支持以下版本的Python： 3.5 3.6 3.7 3.8 3

奇异频谱分析 用于执行奇异频谱分析（SSA）的软件包 简单用法 下面的示例创建了一个具有两个强烈季节性成分的模拟信号。 主要输入函数是analyze(y,L) ，该函数返回趋势和季节成分。 y是要分解的信号， L是要用于内部嵌入的窗口长度。 using SingularSpectrumAnalysis, Plots # generate some data L = 20 # Window length K = 100 N = K * L; # number of datapoints t = 1 : N; # Time vector T = 20 ; # period of main oscillation y

合流 适用于Python的时间序列实用程序库。 特征： 时间间隔均匀/不均匀的类 不等距时间序列的（） 将等距时间序列转换为数据集（） 时间序列的预测包装，例如keras（） 安装 要求： Python3.5+ 安装： git clone https://github.com/kweimann/conflux.git cd conflux pip install . 例子 插补 有关完整的示例，请参见examples/interpolation.py 。 # number of observations n = 25 # time interval i.e. first and last timestamp t0 , tn = [ 0 , 200 ] # function producing observation value from observation ti

Introduction to Time Series Forecasting with Python.zip Python时间序列预测简介 课程代码