最近 Transformer 在统一建模方面表现出了很大的威力，是否可以将Transformer应用到时序异常检测上引起了很多学者的研究兴趣。 最近来自阿里达摩院、上海交通大学的几位学者就近年来针对时间序列场景中的Transformer模型进行了汇总，在Arxiv上发表了一篇综述。综述涵盖了Transformer针对时序问题下的具体设计，包含预测、异常检测、分类等诸多工业界常用场景，并开源了代码，是非常不错的学习资料。 优秀毕业设计：基于transformer的序列数据二分类完整代码+数据可直接运行

代码实现了将时间序列根据所给符号类别数等概率划分成多个区间，根据所给字节长度数实现时间序列到符号化频次直方图序列的转换，并包含一个简单样本的转化实现

2018 UCR Time Series Classification Archive(UCI时间序列数据集，共包含128个数），可用于时间序列分类任务，解压密码为 someone

用python实现，随便输入一个序列（乱序），判断这个序列是否是图序列，如果是，输出图形（有脚标）。

绘制在单个轴上垂直排列的多个时间序列数据（“通道”）。 绘制一个定义长度的窗口并使用箭头键向前和向后滚动。 选择显示通道的子集。 使用向上和向下箭头键控制 y 轴比例。 使用鼠标直观地标记时间点并将它们保存到向量中。 受到推崇的受用于 EEG 的 BrainVision Analyzer 界面和 EEGLab 的 eegplot 功能的启发，但比后者 IMO 工作得更好更快。

该数据集将多元时间序列数据的多维拆解成多个一维文件，并以csv的格式对数据进行存储 该数据集结构为： -E:/桌面/代码/数据集/Multivariate2018_arff_csv -ArticularyWordRecognition -test_dim1.csv -test_dim2.csv ..... -train_dim1.csv -train_dim2.csv ..... -train_label.csv -test_label.csv 每个数据集下包含测试集数据、测试集标签、训练集数据、训练集标签

以jupyter为平台，利用python实现对墨尔本10年气候变化数据集的特征处理，然后并利用机器学习模型进行训练以及对原始数据集的拟合，最后来评价那种模型的拟合效果最佳。（提供了相关数据集）

分析流域归一化植被指数INDV随时间变化的规律，提出了植被生长量评价方法，并基于植被生长量、植被生长状态和年际植被变化趋势等方法分别对2000、2002、2004、2007年流域不同时空分布的植被进行了评价，得出以下结论：1）上游、下游及分布在中游水源边的植被生长量较大，而且植被生长量较低的黄土高原经历先增加然后减少的变化趋势；2）生长状态较差的地区主要集中在兰州、宁夏、内蒙地区，但是2000年后这些区域的植被生长状态趋向好转；3）黄土高原地区在2000、2002、2004、2007年之间有转好的趋势，而

两个时间序列数据练习，大家试试

考虑的程序是：重叠块引导程序 (Künsch)、固定引导程序 (Politis-Romano) 和季节性块引导程序 (Politis)。 如果块大小等于 1，则应用 iid Bootstrap (Efron)。 所有程序都处理向量时间序列。