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。

wavenet时间序列预测---TensorFlow版（附源码+数据），博客连接https://blog.csdn.net/qq_22290797/article/details/108506401?spm=1001.2014.3001.5501

时间序列数据特征提取TsFresh--入门简介【附源码+数据】，博客地址https://blog.csdn.net/qq_22290797/article/details/108637240?spm=1001.2014.3001.5501