CCF推荐，发表于VLDB，跨区间约束动态覆盖时间序列索引演讲PPT，和论文注释

PyEMD 链接 HTML文档： ： 问题追踪器： : 源代码存储库： : 介绍 这是经验模式分解（EMD）的另一个Python实现。 该软件包包含许多EMD变体，并打算及时交付。 EMD变体： 集成EMD（EEMD）， “完整的EMD组合”（CEEMDAN） 香草EMD的不同设置和配置。 图像分解（EMD2D和BEMD）（实验性，不支持） PyEMD允许将不同的样条曲线用于包络，停止准则和极值插值。 可用花键： 自然立方[默认] 点向立方 秋间 线性的 可用的停止标准： 柯西收敛[默认] 固定迭代次数 连续原型IMF的数量 极端检测： 离散极值[默认] 抛物线插值 安装 受到推崇的 只需直接从GitHub或使用命令行下载此目录： $ git clone 然后进入下载的项目并从命令行运行： $ python setup.py安装 皮皮 从PyPi

大数据和时间序列模型的应用目前处于早期阶段。 本文通过讨论业务中大数据的出现，提出时间序列模型并提供一个示例说明如何将时间序列模型有效和有效地应用于会计和财务分析中，检验时间序列分析在大数据和业务分析中的相关性和用途。使用大数据进行审计。 使用复杂的大数据和时间序列模型，可以搜索数百万笔交易以发现模式并检测异常和异常情况。 本文介绍的时间序列模型和大数据分析提供了政策，实践，教育和研究意义。 企业和管理人员可以在其管理策略，决策和行动的预测模型中使用我们建议的时间序列模型和大数据分析。 商学院和会计课程可以将时间序列模型，大数据和数据分析集成到商务和会计教育中。

TensorFlow版本：1.9.0 Keras版本：2.0.2 我的博客： :

时间序列的精度和召回率 的非官方python实现。 经典异常检测主要涉及基于点的异常，这些异常是在单个时间点上发生的。 但是，许多现实世界中的异常是基于范围的，这意味着它们会在一段时间内发生。 受此观察结果的启发，我们提出了一种新的数学模型来评估时间序列分类算法的准确性。 我们的模型扩展了众所周知的“精度”和“召回率”指标以测量范围，同时为特定于域的首选项启用自定义支持。 这是发布的开源软件。 可从下载。 安装 聚酰亚胺 PRTS位于，因此您可以使用pip进行安装。 $ pip install prts 来自github 您也可以使用以下命令进行安装。 $ git clone https://github.com/CompML/PRTS.git $ cd PRTS $ make install # (or make develop) 用法 from prts import

AR、MA、ARMA模型提取参数预测，不涉及参数优化，看完博文再下载，代码（MATLAB 2020）再博文里面都有写，也包含测试数据，对应博文：https://blog.csdn.net/Will_Zhan/article/details/116425215

2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。

APPLIED ECONOMETRIC TIME SERIES BY WALTER ENDERS University of Alabama

This book synthesizes these recent advances and makes them accessible to first-year graduate students. James Hamilton provides the first adequate text-book treatments of important innovations such as vector autoregressions, generalized method of moments, the economic and statistical consequences of unit roots, time-varying variances, and nonlinear time series models. In addition, he presents basic tools for analyzing dynamic systems (including linear representations, autocovariance generating functions, spectral analysis, and the Kalman filter) in a way that integrates economic theory with the practical difficulties of analyzing and interpreting real-world data. Time Series Analysis fills an important need for a textbook that integrates economic theory, econometrics, and new results. The book is intended to provide students and researchers with a self-contained survey of time series analysis. It starts from first principles and should be readily accessible to any beginning graduate student, while it is also intended to serve as a reference book for researchers.

脑电信号方面的书，包括相关代码