深度签名转换 在神经网络中将签名变换用作池化层。 这是Bonnier，Kidger，Perez Arribas，Salvi，Lyons 2019的论文的代码。 看看了PyTorch实现签名变换。 概述 如果您已经对神经网络有所了解，那么您的想法就是“签名变换”是一种非常出色的变换，它可以从数据流中提取特征，因此尝试将其内置到其中是很自然的事情。我们的神经网络模型。 如果您已经开始了解签名，那么您可能知道它们以前仅用作功能转换，并在其上构建了模型。 但是实际上可以通过签名变换反向传播，因此，只要您正确地设计模型（必须“保持流”；请参阅本文），那么将签名嵌入到神经网络中实际上是有意义的。 在签名变换之前学习非线性可以提供一种紧凑的方式来选择（原始路径的）签名中的哪些项对给定的数据集有用。 什么是签名？ 数据流的签名本质上是有关该数据流的统计信息的集合。 统计信息的收集在捕获有关数据流的

时间序列分类被用于各种应用程序，导致许多用于时间序列分析的数据挖掘技术的发展。 在广泛的时间序列分类算法中，最近的研究正在考虑深度学习方法对时间序列分类任务的影响。 相关出版物的数量需要文献计量研究来探索最突出的关键词、国家、来源和研究集群。 论文对2010-2019年Scopus数据库中时间序列分类相关文献进行文献计量分析，通过关键词共现分析，生成时间序列分类研究热门关键词的可视化网络结构，并进行深度学习通过对书目进行额外查询，已将其引入为最常见的主题。 该论文继续探索最近用于时间序列分类的深度学习方法的发表趋势。 研究期间的文献计量分析揭示了每年的出版物数量、生产和合作国家、来源增长率、出现最多的关键词和研究合作。 研究领域已分为三大类，即深度神经网络的不同框架、遥感中的不同应用以及时间序列分类任务的信号处理。 定性分析通过详细描述突出引用率最高的论文类别。

使用tslearn的示例代码。 目的：对波形数据或时间序列数据进行聚类。 tslearn是基于python的机器学习库之一。 tslearn： : 用日语。 使用KShape算法对样本数据执行波形聚类。 必须为算法指定簇数作为参数。这次，我预先检查了数据，并知道有2个类，因此我设置了n_clusters=2 。 有几种检查簇数的方法，但是这次我们使用弯头法进行检查。 其他可能的方法如下。 BIC / AIC GAP方法 轮廓法 肘法

注重多元时间序列的LSTM自动编码器 该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。 下载和依赖项 要克隆存储库，请运行： git clone https://github.com/JulesBelveze/time-series-autoencoder.git 要安装所有必需的依赖项，请运行： pip install -r requirements.txt 用法 python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE] [--label-col LABEL_COL] [--input-att INPUT_ATT] [--temporal-att TEMPORAL_ATT] [--seq-le

描述 根据论文，我有Keras的开放源代码XinLi,LidongBing,WaiLam and BeiShi. A Dual-Stage Attention-Based Recurrent Neural Network for Time Series Prediction layer_definition 这部分包括编写自己的图层。 双重注意 这部分包括数据的预处理，模型的构建和模型的训练。 数据 从（ ）下载

拱 用Python编写的自回归条件异方差（ARCH）和其他用于金融计量经济学的工具（使用Cython和/或Numba来提高性能） 公制 最新发布的 持续集成 覆盖范围 代码质量 引文 文献资料 模块内容 Python 3 arch仅适用于Python 3。 4.8版是支持Python 2.7的最终版本。 文献资料 已发布的文档位于。 master分支的最新文档托管在。 有关ARCH的更多信息 有关ARCH和相关模型的更多信息，请参见的注释和研究。 贡献 欢迎捐款。 在许多层面上都有贡献的机会： 实施新的波动率过程，例如，FIGARCH 改善不清楚或有错字的文档字符串 提供示例，最好以IPython笔记本的形式提供 例子 波动率建模 均值模型 恒定均值 异构自回归（HAR） 自回归（AR） 零均值 有和没有外源回归模型 波动率模型 拱 GARCH 搜寻 爱格 EWMA /风险指标 发行版 正常 学生的T 广义误差分布 有关更完整的概述，请参见“ ”。 import datetime as dt import pandas_datareader . data

季节性：与X-13ARIMA-SEATS的R接口

Seglearn Seglearn是用于机器学习时间序列或序列的python软件包。 它提供了用于分割，特征提取，特征处理和最终估计器的集成管道。 Seglearn提供了一种灵活的方法来处理多元时间序列和相关的上下文（元）数据，以进行分类，回归和预测问题。 提供了使用经典机器学习和深度学习模型的学习时间序列的支持和示例。 它与兼容。 文献资料 安装文档，API文档和示例可在找到。 依存关系 seglearn经过测试可在Python 3.5下工作。 依赖关系要求基于最新的scikit-learn版本： scipy（> = 0.17.0） numpy（> = 1.11.0） scikit学习（> = 0.21.3） 此外，要运行示例，您需要： matplotlib（> = 2.0.0） 神经网络示例的keras（> = 2.1.4） 大熊猫 为了运行测试用例，您需要： pyt

使用Python简化时间序列 darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 可以使用fit()和predict()函数以相同方式使用所有模型，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 Dart支持单变量和多变量时间序列和模型，神经网络可以训练多个时间序列。 文献资料 高级介绍 安装 我们建议先安装一个干净的Python环境为您的项目至少有Python3.6使用自己喜欢的工具（ ， ， 有或没有 ）。 设置好环境后，您可以使用pip安装Dart： pip install 'u8darts[all]' 有关更详细的安装说明，请参阅此页面末尾的安装指南。 用法示例 从Pandas DataFrame创建一个TimeSeries对象，并将其拆分为训练/验证系列： import pandas as pd from darts import TimeSeries df = pd . read_csv ( 'AirPassengers.csv' , delimiter

时间序列异常检测：深度学习方法评估。 该存储库的目标是为多种最新深度学习方法的时间序列数据异常检测提供基准测试管道。 实施算法 名称 纸 LSTM-AD ，ESANN 2015 LSTM-ED ，ICML 2016 自动编码器 ，DaWaK 2002 甜甜圈 ，WWW 2018 REBM ，ICML 2016 达格 ，ICLR 2018 LSTM-DAGMM 使用 -Autoencoder而不是神经网络自动编码器扩展 用法 git clone git://github.com/KDD-OpenSource/DeepADoTS.git virtualenv venv -