派萨克斯 时间序列数据的SAX（符号聚合近似）的python实现 主意 将时间序列数据转换为符号表示，其中（欧几里得）距离/相似度是符号空间中距离的下限 符号表示可以被视为时间序列的低维度（聚合）表示 可以使用基于符号的算法，例如后缀树、马尔可夫链来分析时间序列 参考 我们为什么要重新实施它？ SAX 对时间序列数据有一定的假设，例如（1）局部高斯，（2）固定频率，（3）实值信号。 我们想探索其他数据的更多可能性 我们想要时间序列片段的向量表示，类似于将单词表示为向量的想法（Google 的 word2vec） 我们需要一个快速的并行实现 去做 例子 sequitur的python包装器 主意 sequitur 将用作 SAX 数据的上下文无关语法提取器 挖掘的规则将用于异常值/主题检测 我们为 python 使用包装了c++ 实现- 所以它现在只是一个快速的解决方法。 参考

适用CRNN + CTC的识别模型，规模18000张+

采用S-G滤波方法对MOD13A2-EVI自2001～2007年间数据进行时间序列重构，以达到去云、消除离异值的目的，从而提高数据质量及可信度。对比重构前后数据发现，重构后的EVI数据在空间上更加一致，在时间维度上时序数据年问变化更加稳定。

时间序列数据集（UCR）.rar

matlab代码影响深度学习项目-时间序列数据预测（Matlab，LSTM） 作家：姜浩林 有组织的博客 韩文的“自述”发布位于以下地址。 项目主题 第一个主题是分析在线产品价格数据以预测当前产品价格。 但是，由于与大量数据相比时间不足且计算能力有限，我们修改了该项目以分析牛仔裤的在线价格数据并预测不久的将来的牛仔裤价格。 我之所以选择许多牛仔裤，是因为我拥有比其他物品更多的数据，而且我整个季节都可以穿。 （由于缺乏历史数据，所以选择了手机和电视作为牛仔裤。） 对于更多项目，我将在以后尝试找到一种方法。 使用数据 在线收集价格信息数据包括8个项目，包括在线收集的价格信息，收集日期，项目名称和销售价格。 数据收集期为2014年1月至2019年10月。 我在分析中使用的数据使用了2015年1月至2019年10月的数据。 数据分析过程 数据净化 探索数据 纯化其他数据进行分析 预测模型的选择 数据预测 预测评估（RMSE） 语义分析 数据细化 与大量数据（约1亿个数据）相比，由于缺乏计算能力（我的笔记本电脑），我决定使用每天的平均每日销售价格。 为了解释代码，我们按日期检索了数据，并仅从八个

一种基于时间序列数据挖掘的用户负荷曲线分析方法.pdf

混沌函数的matlab代码混沌分析 一个用于对时间序列数据执行混沌分析的MATLAB软件包。 该软件包是一个进行中的工作，主要是为我自己的研究而写的（尽管它对于任何时间序列数据都是通用的）。 目前，它包括各种时间序列分解，包括相空间嵌入，递归分解和有限时间lyapunov指数，以及各种用于测量混沌统计量的代码。 我还提供了一些帮助程序功能，用于可视化和估计用于相空间分解（混沌分析的实质）的最佳参数，以帮助缓解头痛。 您可以自由使用/分发此代码，但请保留对原始代码库和作者的引用。

手仔 一个用于处理数据帧和时间序列数据的Java库。

本数据集包括：（1）研究区域范围图；（2）过去2000年黄河下游地区干湿指数序列，含10年窗口滑动的干湿指数及其50年FFT低通滤波结果。干湿指数数据中，负值指示气候偏干，正值指示偏湿；绝对值越大，表示偏离程度越显著。数据起讫时间为公元前133年（代表公元前137年—公元前128年）—公元1995年（代表公元1991—2000年），个别缺值年份或时段标记为“N/A”。

本数据集内容包括过去2000年黄河中上游地区的以下数据：（1）10年窗口滑动的干湿指数；（2）干湿指数的50年FFT低通滤波结果。干湿指数中，负值指示气候偏干，正值指示偏湿；绝对值越大，表示偏离程度越显著。数据起讫时间为公元前133年（代表公元前137年—公元前128年）—公元1995年（代表公元1991—2000年），个别缺值年份或时段标记为“N/A”。