pdf，word，和github代码汇总

scikit-hts：使用熟悉的API进行分层时间序列预测

Jupyter中的时间序列预处理工作室：Jupyter笔记本中的时间序列数据预处理Studio

reindex更多的不是修改pandas对象的索引，而只是修改索引的顺序，如果修改的索引不存在就会使用默认的None代替此行。且不会修改原数组，要修改需要使用赋值语句。 series.reindex() import pandas as pd import numpy as np obj = pd.Series(range(4), index=['d', 'b', 'a', 'c']) print obj d 0 b 1 a 2 c 3 dtype: int64 print obj.reindex(['a', 'b', 'c', 'd', 'e']) 1 a 2.0 b 1.0 c 3

神经控制微分方程用于不规则时间序列[ ， ] 基于对受控微分方程的深入理解的数学理论，我们演示了如何构建以下模型： 直接作用于不规则采样的部分观测的多元时间序列。 可能会进行记忆有效的伴随反向传播训练-即使是跨观测也是如此。 展示最先进的性能。 使用现有工具（尤其是PyTorch和库）可以轻松实现和评估它们。 图书馆 参见 。 例子 我们鼓励您看一下 ，它演示了如何使用该库来训练Neural CDE模型来预测螺旋的手征性。 有关如何处理可变长度输入，不规则采样或丢失数据的演示，另请参见 ，所有这些都可以在不更改模型的情况下轻松处理。 一个自包含的简短示例： import torch import torchcde # Create some data batch , length , input_channels = 1 , 10 , 2 hidden_channels = 3 t

arima的matlab代码time_series_forecasting_pytorch 实验源码：使用pytorch进行时间序列预测，包括MLP、RNN、LSTM、GRU、ARIMA、SVR、RF和TSR-RNN模型。 要求 Python 3.6.3（Python） keras 2.1.2 火炬 1.0.1 张量流-GPU 1.13.1 sklearn 0.19.1 麻木 1.15.4 熊猫 0.23.4 统计模型 0.9.0 matplotlib 2.1.0 代码 ARIMA.py：ARIMA 模型，迭代版本 Holt_Winters.py Holt-Winters 模型，只有初级版本 eval.py：评估指标，包括RMSE、MAE、MAPE和SMAPE。 NN_forecasting.py：神经网络预测 model.py：神经网络模型 train.py：神经网络模型的训练和预测，包括RNN、LSTM、GRU、MLP、TSR-RNN ts_decompose.py：时间序列分解 ts_loader：神经网络模型的数据加载器 ML_forecasting.py：通用机器学习模型，包

keysight的培训，对于入门systemvue建模雷达非常有用。内容包括简单雷达建模，线性调频雷达建模，杂波的影响，以及简单电子战场景。

svg-时间系列 基于D3.js的SVG时间序列图可以正确达到60 FPS。 平移和缩放比其他基于画布或SVG的图表快得多。 ：1格，2系列1070点 ：5个网格，10个系列的1070点 演示1在台式机，最新的iPhone和顶级Android手机上达到60 FPS。 演示2显示了台式机上的60 FPS，iPhone上约24 FPS，老旧的LG D90上约3 FPS。 相比之下， 库基本上从未达到60 fps。 按住shift尝试在主页上平移他们的演示。 请注意，上面的演示使用了相同的NY vs SF温度数据集。 D3.js似乎很慢：。 但是事实证明，SVG栅格化不是瓶颈。 在该演示中，只有2个问题需要解决，才能达到60 fps： 避免在平移和缩放过程中对网格的SVG线进行额外的属性设置（部分已经在d3轴的HEAD中） 绘制d3.timeout()而不是d3.zoom() ，

Delta VFD-SERIES 变频器(AMD)使用说明书pdf,Delta VFD-SERIES 变频器(AMD)使用说明书

Delta VFD　Series綜合型录pdf,Delta VFD　Series綜合型录