图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室（ICU）病人结果的工作主要集中在生理时间序列数据上，基本上忽略了诊断和药物等稀疏数据。当它们被包括在内时，它们通常是在模型的后期阶段被串联起来的，这可能难以从更罕见的疾病模式中学习。通过在图中连接类似的病人，将诊断作为关系信息加以利用。 LSTM-GNNs在eICU数据库的住院时间预测任务中的表现优于仅有LSTM的基线。利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。

第二章 时间序列预测与回归分析模型第2页指同一变量按发生时间的先后排列起来的一组观察值或记录值。例如：1990-2008年我国国内工业生产总值；某类型的汽车20

tsmoothie 一个用于以向量化方式进行时间序列平滑和离群值检测的python库。 总览 tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。 可用的平滑技术是： 指数平滑 具有各种窗口类型（常量，汉宁，汉明，巴特利特，布莱克曼）的卷积平滑 使用傅立叶变换进行频谱平滑 多项式平滑 各种样条平滑（线性，三次，自然三次） 高斯平滑 Binner平滑 低价 各种季节性分解平滑（卷积，最低，自然三次样条） 带有可自定义组件（水平，趋势，季节性，长期季节性）的卡尔曼平滑 tsmoothie提供了平滑处理结果的间隔计算。 这对于识别时间序列中的异常值和异常可能很有用。 关于使用的平滑方法，可用的间隔类型为： sigma间隔 置信区间 预测间隔 卡尔曼区间 tsmoothie可以执行滑动平滑方法来模拟在线使用。 可以将时间序列分成相等大小的片段，并分别进行平滑处理。 与往常一样，此功能通过WindowWrapper类以矢量化方式实现。 tsmoothie可以通过BootstrappingWrapper类操作时序引导程序。 支持的引导程序算法为： 没有重叠的块引导

MATLAB源程序23 小波神经网络的时间序列预测-短时交通流量预测.zip

【预测模型】时间序列股票价格预测【含Matlab源码 450期】.zip

主要是用于时间序列数据分析的源程序，包括时间序列的数据处理、MA模型、相关分析、预测、最大熵谱分析、小波分析。

奇异谱分析是处理时间序列较为常用且效果较好的一种方法，它常被用于对时间序列进行分析、信号去噪和时间序列预测等。本代码结合有关理论和网络资源，使用贡献度和权相关系数作为重构阶数选择的依据，可以正常运行并在主函数中加入了必要数据。

kaggle黄金价格预测数据，时间序列数据，可以进行机器学习、深度学习分析

NOTAN工具箱

在了解SSA时候从文献中看到该预测方法，并将其实现，通过简单的案例测试了该方法，并得到较好的预测结果。当然该方法对非平稳序列的预测、长时序预测的效果怎样还未知，需要进一步验证，这里将代码进行整理和分享。