应用时间序列分析课堂讲义，原著：何书元，制作：李东风。包含6章内容，每章包含基本概念、定理及应用实例，带书签，方便使用。

PM2.5的时间序列预测 基于Keras的LSTM实现的PM2.5的时间序列预测。 环境：python 3.6.6，Tensorflow 1.15.0，Keras 2.3.1

关于时间序列模型的比较准确的描述，可以通过这个pdf来学习一下传统的经典时间序列模型

1.简介 对于这个项目，我是一家虚构的房地产投资公司的顾问，我将使用Zillow的数据预测各种邮政编码的房地产价格。 该项目的目标是分析，建模和预测收益，以便推荐最好的5个邮政编码在佐治亚州格温内特县进行投资 2.数据集 可以从Zillow Research Page（ ）获得的此存储库中找到该数据集。 从1996年4月至2018年4月，它包含将近15,000行包含基本信息的行，例如城市，州，县，大小等级。格威内特县部分包含4240行，其中包含16个邮政编码。 3.磨砂与探索 在本节中，我进行了过滤，检查空值并融化了我的数据集。 这是显示在Gwinnett County的所有16个邮政编码及其价格范围的箱线图。 4.分析与建模 4a。 功能 我创建了4个函数来帮助我观察原始数据集以及每个邮政编码的任何趋势和季节性组成部分。 功能1：使用Dickey-Fuller测试进行平稳性检查 功能

Jianqing Fan

从头开始：从头开始的自适应神经模糊推理系统。 内部所有代码，无依赖性

Unsupervised pre-training of a Deep LSTM-based Stacked Autoencoder for Multivariate time Series forecasting problems Alaa Sagheer

<>为N. Golyandina, V. Nekrutkin, and A. ZhigljavskyGolyandina,所著。本书为一完整籍PDF文档，共记310页，是奇异分析学习的最原始、最权威的教材。

Time Series Analysis With Applications in R

训练数据集包含大约145k时间序列。从2015年7月1日至2016年12月31日，每个时间序列都代表着一篇不同的Wikipedia文章的大量每日视图。培训阶段的排行榜基于2017年1月1日至3月的流量2017年1月1日。 第二阶段将使用直到2017年9月1日的培训数据。竞赛的最终排名将基于数据集中每篇文章在2017年9月13日至2017年11月13日之间的每日观看次数预测。您将在9月12日之前提交这些日期的预测。 对于每个时间序列，都会为您提供文章名称以及该时间序列所代表的流量类型（所有，移动，台式机，蜘蛛网）。您可以使用此元数据和任何其他公共可用数据进行预测。不幸的是，该数据集的数据源无法区分零流量值和缺失值。缺少值可能意味着流量为零或当天没有可用数据。 为了减小提交文件的大小，已为每个页面和日期组合指定了较短的ID。页面名称和提交ID之间的映射在密钥文件中给出。 business-size_1x.png Web Traffic Time Series Forecasting_datasets.txt