MATLAB实现ARIMA时间序列预测数据集

ppt平稳性的定义;平稳性的检验方法（ADF检验）;伪回归的定义;协整的定义及检验方法（AEG方法）;误差修正模型的含义及表示形式.

主要介绍了Python如何根据时间序列数据作图,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

Curve：时序数据异常标记工具。Curve是由百度和清华大学联合推出的一款开源工具，用于帮助开发者标记时序数据中的异常。标签数据（也就是真实有效值）对于评估时序数据异常检测方法非常有必要。否则，我们无法轻松选择好检测方法，或者确定模型A好于模型B。Curve能让开发者在上面使用强大的自定义函数，高效标记数据。

GMM-KMeans异常检测 对于一维时间序列数据，使用GMM和K-means算法检测离群值。对一维时间序列数据，采用GMM和K-Means算法进行异常点检测。

<>书的数据集以及代码

Sen可以用来计算连续时间序列数据的趋势分析，例如长时间序列下的NDVI，植被覆盖度，气温、降水、相对湿度等气象数据的变化趋势，对于具有空间信息的栅格数据（遥感影像）来说，ENVI可以基于栅格进行计算，将二者相结合，则可以计算具有地理信息的栅格数据的Sen趋势分析。文本文件详细分解了Sen的计算过程，以及对应在ENVI的bandmath模块中的表达式。

可用于进行序列预测的一维数据集，取自某支股票的某时间段内的价格。

将具有不同空间分辨率和时间分辨率的多源组合起来以产生高时空分辨率归一化植被指数（NDVI）时间序列数据集具有重要意义。 在这项研究中，分析和比较了四个时空融合模型。 这些模型包括时空自适应反射率模型（STARFM），增强型时空自适应反射率融合模型（ESTARFM），灵活的时空数据融合模型（FSDAF）和时空植被指数图像融合模型（STVIFM）。 目的是：1）使用重庆市巴南区的Landsat-MODIS NDVI图像比较四种融合模型； 2）定量和直观地分析预测准确性。 结果表明，STVIFM将更适合于生成NDVI时间序列数据集。

研究生计算机专业方向-时间序列数据挖掘综述.rar