为了准确分析混沌伪随机序列的结构复杂性，采用谱熵算法对Logistic映射、Gaussian映射和TD-ERCS系统产生的混沌伪随机序列复杂度进行了分析。谱熵算法具有参数少，对序列长度N(唯一参数)和伪随机进制数K鲁棒性好的特点。采用窗口滑动法分析了混沌伪随机序列的复杂度演变特性，计算了离散混沌系统不同初值和不同系统参数条件下的复杂度。研究表明，谱熵算法能有效地分析混沌伪随机序列的结构复杂度；在这三个混沌系统中，TD-ERCS系统为广域高复杂度混沌系统，复杂度性能最好；不同窗口和不同初值条件下的混沌系统复杂度在较小范围内波动。为混沌序列在信息安全中的应用提供了理论和实验依据。

SARIMA-LSTM混合模型预测时间序列（Python） SARIMA-LSTM混合模型预测时间序列（Python） SARIMA-LSTM混合模型预测时间序列（Python）

C#序列化与反序列化类-源代码，支持将类和任何C#对象序列化到文件

实用的时间序列分析 这是出版的《 的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 时间序列分析使我们能够分析一段时间内的某些数据并了解数据随时间变化的模式，这本书将使您了解时间序列分析背后的逻辑并将其应用于各个领域，包括财务，业务和社交媒体。 说明和导航 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟应用程序名称。 例如，Chapter02。 该代码将如下所示： import os import pandas as pd %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns 您将需要Anaconda Python发行版来运行本书中的示例，并编写自己的Python程序以进行时间序列分析。 可从免费下载。 本书的代码示例是使用Jupyter Noteb

传感器时间序列预测数据集,基于传感器数据的transformer时间序列预测-多变量输入-单+多变量输出

麻雀算法(SSA)优化长短期记忆神经网络的数据多变量时间序列预测，SSA-LSTM多维时间序列预测。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

PStruct 字节序列化框架，用于java类与C语言struct结构体互转 支持数组声明 支持结构体嵌套 避免使用反射，只有一处newInstance()调用默认构造方法涉及了反射，性能很高。

c#，从后端获取api接口的数据，get以及post方法。极其示例

ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据）

时间序列常用数据集（electrity，ETT，exchange，ILL，traffic，weather）