AirPassengers数据集有两列，分别是时间和客运流量，数据为从1949-1960年，144个月的旅客数量，可作为时间序列分析方法等的数据集使用

分解数据： 时间序列稳定化 测试方法： 测试序列稳定性： 看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPI Logarithmic（取对数）

沃尔玛产品部门销售的时间序列分析和预测 项目介绍 在该项目中，我们小组根据来自的Walmart五年单位销售数据，使用四种模型对一种Walmart产品（FOODS_3_352）进行了28天单位销售预测。 首先，我们进行了基本的数据清理和可视化，并探索了销售模式。 然后，我们应用了回归模型，ETS（误差，趋势，季节性）模型，季节性ARIMA（自回归，积分，移动平均值）模型和动态回归模型来进一步分解数据并进行预测。 最后，我们基于参数RMSE评估了预测的模型性能。 所有项目文件都包含在此仓库中 使用的工具/语言： Python(pandas, numpy) ， R(forecast, ggplot, dbplyr, urca, lubricate) ， Excel 请参阅我们的最终 文件描述 1. data calendar_factors.csv包含具有清洗和准备好的日历虚拟变量的目标销

概述 ： 在这个脚本中，它使用 MATLAB 中的 ARIMA 模型来预测股票价格。 使用现实生活数据，它将探索如何管理时间戳数据和调整 ARIMA 模型的参数（积分度、自回归阶数、移动平均阶数）。 在 ARIMA 模型之前，它需要进行探索性数据分析并将数据转换为平稳数据。 它还推荐了在进行拟合优度检查时要查看的重要指标。 它将预测股票价格并在蒙特卡罗模拟下运行它们。 [注：不提倡任何特定的策略、因素或方法] 强调 ： 1) 使用时间表对象处理从雅虎财经下载的数据2) 借助探索性数据分析将数据转化为静态数据3) ARIMA 建模4) 预测 产品重点： MATLAB 计量经济学工具箱

基于时间序列ARIMA模型的分析预测算法研究及系统实现

电力负荷预测 正在短期电力负荷预测的研究生项目中。 数据取自网站的并且在项目过程中实施了多个时间序列算法。 实施的模型： models文件夹包含在项目过程中实现的所有算法/模型： 前馈神经网络 简单移动平均线 加权移动平均 简单指数平滑 霍尔茨·温特斯 自回归综合移动平均 递归神经网络 长短期记忆单元 门控循环单位细胞 脚本： aws_arima.py ARIMA模型适合上一个月的数据，并预测每天的负载。 aws_rnn.py RNN，LSTM，GRU符合最近2个月的数据，并预测每天的负载。 aws_smoothing.py SES，SMA，WMA适合上一个月的数据，并预测每天的负载。 aws.py调度程序，每天00:30 IST运行上述三个脚本。 pdq_search.py用于根据最近一个月的数据对ARIMA模型的超参数进行网格搜索。 load_scra

它提供了通过 ARIMA 和 NAR 模型预测马来西亚 GDP 的详细工作流程。 在此实时脚本中，它利用内置应用程序（计量经济学建模器和神经网络时间序列）生成预测模型。 此外，它还详细阐述了如何调整参数/超参数以获得最佳拟合模型。 在下一个共享中，我将针对每个步骤更详细地描述我的操作。

这个文档对于接触时间序列分析的人还是很有有用的，可以先了解一下！

季节性：与X-13ARIMA-SEATS的R接口

StockAnalysisWebApp 这是一个股票分析Python Flask Web应用程序，可让您使用传统的统计方法（例如ARIMA，HoltWinters以及GBM等）来预测短期股价走势 功能的完整列表是：- ...分析>烛台图 ...分析>记录每日收益 ...分析>相对强度指数表（RSI） ...分析>移动平均收敛散度（MACD） ...分析>布林带图 ...分析>多因素股票筛选和排名 ...预测>移动平均线预测（单变量） ...预测>自动ARIMA + GARCH预测（单变量） ...预测>自动停止冬季预报（单变量） ...预测>向量自动回归预测（多变量） ...预测>几何布朗运动（GBM）预测（多变量） ...预测> Bootstrap抽样预测（多变量） ...预测>最佳风险收益的投资组合权重 此应用程序的有效“实时”版本托管在Pythonanywhere