【论文解读】High-Dimensional Vector Autoregressive Time Series Modeling via Tensor Decomposition. 【基本信息】上海交通大学数学科学学院王迪副教授在JOURNAL OF THE AMERICAN STATISTICAL ASSOCIATION（SCI一区）发表的文章。 【摘要】经典向量自回归模型是多元时间序列分析的基本工具。然而，当时间序列和滞后阶数甚至相当大时，它涉及太多参数。本文建议将模型的转换矩阵重新排列为张量形式，以便通过张量分解可以同时沿三个方向限制参数空间。 相比之下，降秩回归方法只能在一个方向上限制参数空间。 除了实现大幅度的降维，所提出的模型还可以从因子建模的角度进行解释。此外，为了处理高维时间序列，本文考虑在因子矩阵上施加稀疏性，以提高模型的可解释性和估计效率，从而产生了稀疏性诱导估计器。对于低维情况，我们导出了所提出的最小二乘估计的渐近性质，并引入了交替最小二乘算法。对于高维情况，我们建立了稀疏性诱导估计器的非渐进性质，并提出了一种用于正则化估计的ADMM算法。

印度尼西亚降雨模式分类使用时间序列K均值 使用时间序列k均值对印度尼西亚的三种主要降雨模式进行聚类。 k均值中的距离计算是动态时间规整（DTW），通常用于模式匹配和时间/顺序数据聚类。

matlab交叉检验代码用于在时间中查找结构的代码模块：可视化和分析行为时间序列 这是一个github存储库，其中包含五个Matlab代码模块，以及本文中介绍的示例示例“在时间中发现结构：可视化和分析行为时间序列” 。 是纸。 这些代码模块旨在帮助具有不同程度编程技能的行为研究人员解释和分析高密度多模式行为数据。 这五个模块包括： 循序渐进的“编程基础”教程，向新手程序员介绍常见的行为时间序列数据以及导入和操作这些数据所必需的脚本。 它还提供用于在所有模块之间使用通用数据格式来回转换数据的脚本，以方便修改模块材料以与用户数据一起使用， 脚本以可视化原始行为时间序列， 描述时间事件分布结构的脚本：突发性计算。 这是一种量化事件发生时间规律性的方法（Goh＆Barabási，2008）， 脚本以交叉递归定量分析（CRQA）来表征多个时间尺度上的非线性动力学（Zbilut，Giuliani和Webber，1998年）， 脚本来量化一组相互依赖的多峰行为变量之间的方向关系，格兰杰因果关系，格兰杰，1969年； Bressler＆Seth，2011年）。 五个模块相互补充，但每个模块都是独立的。

SysIdentPy是一个Python系统模块，用于使用基于numpy构建的NARMAX模型进行系统识别，并根据3条款BSD许可进行分发。 该项目由Wilson RL Junior，Luan Pascoal C. Andrade和Samir AM Martins在系统识别学科的项目中启动。 塞缪尔（Samuel）于2019年初加入，此后做出了贡献。 文献资料 网站： ： 例子 SysIdentPy现在支持NARX神经网络和常规估计器，例如sklearn估计器和Catboost。 范例 from torch import nn import numpy as np import pandas as pd import matplotlib . pyplot as plt from sysidentpy . metrics import mean_squared_error fro

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。

足球预测 SoccerPredictor使用机器学习来预测英超联赛的比赛结果，重点是预测胜负（对应于对双倍机会的押注）。 预测以非常规方式建模为时间序列分类。 将为每个团队创建一个神经网络模型，并同时对其进行训练。 注意：请记住，由于我没有发布数据集，因此您将无法进行实际的培训。 如果您想对其进行测试，则必须自己组装。 提供更有趣功能的网站很难抓取，但绝对有可能。 因此，如果您想构建类似的东西或者只是看看我是如何实现各种东西的，则可以将其作为主要灵感。 如果没有数据集，则只能对附加的文件集进行可视化和回测。 这主要用于演示目的。 请参考随附的以获取有关该程序如何工作的更多信息。 结果 在测试期间，获得的最佳结果是利润1069 % ，预测精度约为90 % ，ROI为33.4 % 。 测试期间的时间跨度为113天，押注了150场比赛中的32场。 安装 运行该程序需要手动安装，例如：

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。

DFT的matlab源代码时间序列数学库 概述 该库的目的是为时序分析和信号处理提供优化的算法。 特征 筛选条件： 移动平均滤波器 指数移动平均滤波器 规范化器： Z归一化 最小-最大归一化 表示形式： 不可逆的 TESPAR DZ 矩阵配置文件 完全加入 自我加入：STOMP，STAMP，SCRIMP 逐段地 分段总逼近（PAA） 分段线性聚合近似（PLAA） 自适应分段常数逼近（APCA） 具有线性（PLA），二次（PQA）或其他类型曲线拟合功能的分段曲线拟合逼近 象征性的 符号聚合近似（SAX） 可索引符号聚集近似（iSAX） 光谱 离散傅立叶变换（DFT） 离散余弦变换（DCT） 离散切比雪夫变换（DChT） 小波离散Haar小波变换（DWT） 测量： 动态时间规整（DTW） 最长公共子序列（LCSS） 在实际序列上编辑距离（EDR） 使用实际罚分（ERP）编辑距离 均匀缩放 缩放和扭曲匹配（在统一缩放中使用DTW） 其他 用于（自适应SAX / iSAX）的自适应分布分配器 复杂度不变距离 用法 将以下依赖项添加到您的Maven项目中。 < dependency > < gr

这是 “LSTM时间序列预测任务” 案例中使用到的数据集，该案例我已在Blog中分享，欢迎下载该数据集。

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