黄土时间序列的季节性分解 Seasonal-Trend-Loess（STL）算法将时间序列分解为季节，趋势和残差成分。 该算法使用（ 为原始论文）来平滑循环子序列（例如，下例中所示的CO 2数据中的所有January值）。 从信号中去除季节性之后，对余数进行平滑处理（分多个步骤）以找到趋势。 重复此过程，并可能包括利用Loess的加权最小二乘法基础进行的鲁棒性迭代，以消除异常值的影响。 详细信息在进行了描述。 stl-decomp-4j是可从获得的原始Ratfor / Fortran的Java端口（为；也包含在examples/StlPerfTest/fortran_benchmark ），已扩展为支持局部二次插值。 stl-decomp-4j期望间隔均匀的数据且没有缺失值，类似于原始的Fortran版本（以及和版本，它们都在后台使用原始的Fortran版本）。 查看了解TODO等。

针对关联维数计算耗时量大的问题，通过改进点对距离的度量方法，以及采用K-NN技术进行点对的搜索实现了关联和的快速计算，较大程度地提高了关联维数的计算速度。验证表明：对于长度为20 480的时间序列，采用快速算法计算关联维数，其耗时量是G-P算法的1/60。

比较完整地给出了数据预处理，缺失值补全，特征分析过程以及训练和交叉验证的注意事项，适合数据挖掘新人找到解题思路，全程没有调参，没有模型融合，只凭一手简单的特征和xgboost。 preprocess.py: 数据预处理（类型转换，缺失值处理，特征提取） xgbosst.py: 训练模型和交叉验证 根据题目给出的信息, 除了路本身的信息外, 训练数据基本上只有旅行时间, 而我们要预测的也是未来的平均旅行时间, 而且根据我们的常识, 现在的路况跟过去一段时间的路况是很有关系的, 因此该问题应该是一个自回归问题, 用过去几个时刻的交通状况去预测未来时刻的交通状况

单变量时间序列预测开发深度学习模型_python源码+数据+超详细注释 内容： 多层感知器模型 卷积神经网络模型_CNN 递归神经网络模型_LSTM 递归神经网络模型_CNN+LSTM 递归神经网络模型_ConvLSTM2D 本文使用了5种不同的网络模型,实现了一元序列的自回归 1.MLP：多层感知机 2.CNN：卷积 3.LSTM：长短周期 4.CNN+LSTM卷积+长短周期 5.ConvLSTM2D卷积+长短周期 并且分别比较了5中模型的预测效果，CNN模型相对来时是最好的。 深度学习在一元时间序列预测中表现并不佳

基于KNN的室内运动时间序列分类项目源码+数据+超详细注释 通过布置在不同房间的传感器获取到穿戴设备的人的移动数据，预测人的移动轨迹（人在哪个房间），场景见文件夹内示意图 内容包含： 1.数据说明见IndoorMovement\数据说明.txt 2.如何用pandas加载csv，并且画数数据的折线图，柱状图 3.用最小二乘法对数据进行线性拟合，并画出图像 4.数据特征工程:所有MovementAAL_RSS文件中最小的文件包含19条数据，所以默认以19作为数据集维度，故每个文件取最后19条，根据MovementAAL_DatasetGroup中的分组对应关系，将MovementAAL_RSS作为输入，MovementAAL_target作为输出，将文件按关联关系拼成train和test集合 5.将构建好的，维度为19的数据分别代入7种模型进行评估准确性，7种模型分别为LogisticRegression，KNN，DecisionTreeClassifier，SVM，RandomForestClassifier，GradientBoostingClassifier

基于KNN实现使用脑电波预测眼睛睁闭项目源码+数据+超详细注释 任务：根据获取的脑电波的数据，预测人的眼睛是睁开的开始闭上的 内容包含： 1.做数据基本预览时发现数据有部分异常值存在 2.对数据异常值进行处理，当数据值超过三倍标准差时，作为异常值删除掉 3.使用K折交叉重构数据，以便对数据进行重复验证，令K=10，将数据分成10组 4.用KNN模型对数据进行预测，model = KNeighborsClassifier(n_neighbors=3)表示设置KNN的参数K=3 5.本文后续讨论了对于有时间序列特点的数据使用KNN可能具有的缺陷，对打乱顺和正常顺序的数据进行预测结果是有较大差异的，因为KNN是找到最相似的数据聚类，但对于具有时间序列特征的数据，在高频取数的数据集中，连续时间上相邻的数据一定是最为相似的。

基于单变量+多变量逻辑回归实现根据环境因素预测房间入住率_项目源码+数据+超详细代码注释 任务：通过"Temperature","Humidity","Light","CO2","HumidityRatio"等环境数据预测房间是否在使用 内容包含： 1.用多变量进行逻辑回归预测 2.用单变量进行逻辑回归预测

该算法计算时间序列的时间频率分布 (TFD)、递归图 (RP) 和动态复杂度 (DC)，并将变化点分析应用于原始以及 TFD、RP 和直流。 详细信息可以在我们随附的论文中找到（提交出版）。

【混沌时间序列预测rnn的广义实现】 在不使用任何库或数据预处理工具的情况下，已经创建和编码了完整的模型。主要目标是对未来henon混沌时间序列的预测。 bptt.m -时间反向传播 forward.m -正向传播 dsigmoid.m , dtanh -激活函数的导数 sigmoid.m - 变参数Sigmoid函数 gradDes -梯度下降

1.ARIMA移动预测模型 2.数据集 3.数据拟合寻找系数 4.自相关 shampoo-sales.csv