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

SVR时间序列预测，使用滑动窗口重叠切片数据集，网格搜索+交叉验证用来模型参数设置，模型保存，模型加载,模型预测。

tensorflow使用一维卷积对序列数据进行训练

SCDE概述 scde程序包实现了一组用于分析单细胞RNA-seq数据的统计方法。 scde适合用于单细胞RNA-seq测量的单个误差模型。 然后可以将这些模型用于评估细胞组之间的差异表达以及其他类型的分析。 scde软件包还包含pagoda框架，该pagoda框架应用途径和基因集过度分散分析来识别单细胞之间转录异质性的各个方面。 以下出版物详细介绍了差异表达分析的总体方法： 在以下出版物中详细介绍了途径和基因组过度分散分析的总体方法： 有关其他安装信息，教程等，请访问 样品分析和图像 单细胞错误建模 scde使用源自单细胞RNA-seq数据的计数scde拟合单细胞的个体误差模型，