储存库（v0.2.3） 一个简单而灵活的代码，用于诸如Echo State Networks（ESN）之类的储层计算架构。 ReservoirPy是一个基于Python科学模块的简单易用的库。 它提供了灵活的接口来实现高效的储层计算（RC）架构，尤其侧重于回声状态网络（ESN）。 与基本的Python实现相比，ReservoirPy的高级功能可提高简单笔记本电脑上的计算时间效率。 它的一些功能包括：脱机和在线培训，并行实现，稀疏矩阵计算，快速频谱初始化等。此外，还包括图形工具，可借助hyperopt库轻松地探索超参数。 该库适用于Python 3.6及更高版本。 官方文件 请参阅以了解有关ReservoirPy的主要功能，其API和安装过程的更多信息。 实例和教程 以获取安装，示例，教程和Jupyter Notebooks。 版本号 要启用ReservoirPy的最新功能，您米格思想

时间序列 使用ARIMA和MLP进行时间序列预测

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

CIT_LSTM_TimeSeries 用于电力负荷预测的LSTM模型最佳深度学习使用特征选择和遗传算法进行电力负荷预测的LSTM模型：与机器学习方法的比较Salah Bouktif，Ali Fiaz，Ali Ouni和M. Adel Serhani

作者： Ivan Bongiorni ，数据科学家。 卷积递归Seq2seq GAN用于时间序列数据中缺失值的插补 描述 该项目的目标是为时间序列数据的插补实现递归卷积Seq2seq神经网络的多种配置。 提供了三种实现： 循环卷积seq2seq模型。 基于上述相同体系结构的GAN （生成对抗网络），其中训练了Imputer来欺骗试图区分真实和假（推算）时间序列的对抗网络。 一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。 模型在TensorFlow 2中实现，并在数据集中进行了训练。 档案文件 config.yaml ：用于数据预处理，培训和测试的配置参数。 管道： main_processing.py ：启动数据预处理管道。 其结果是将准备好训练的数据集以.npy（ numpy ）格式保存在/da

Spark时间序列（ spark-ts包） 一个Scala / Java / Python库，用于与Apache Spark上的时间序列数据进行交互。 向发布问题和评论，或将其直接通过发送至 。 注意：spark-ts库不再由我（Sandy）积极开发。 不幸的是，我不再有带宽来开发功能，回答邮件列表中的所有问题或解决所有已提交的错误。 就是说，我仍然很乐意审查拉取请求，并尽我所能来帮助其他人推进图书馆。 可在上找到文档。 或者查看 ， 或 。 目的是提供 一组用于处理大型时间序列数据集的抽象，类似于为 ， 和R的和包中的较小数据集提供的抽象。 可以从统计角度处理时间序列的模型，测试和函数，类似于以及各种Matlab和R软件包中提供的内容。 该库位于其他一些出色的Java和Scala库上。 为NumPy的状，BLAS，能够线性代数。 用于日期和时间。 用于常规数学和统计功

pyts：用于时间序列分类的Python包 pyts是用于时间序列分类的Python软件包。 它旨在通过提供预处理和实用工具以及最新算法的实现，使时间序列分类易于访问。 这些算法大多数都会转换时间序列，因此pyts提供了多种工具来执行这些转换。 安装 依存关系 pyts要求： Python（> = 3.6） NumPy（> = 1.17.5） SciPy（> = 1.3.0） Scikit-Learn（> = 0.22.1） Joblib（> = 0.12） Numba（> = 0.48.0） 要运行示例，需要Matplotlib（> = 2.0.0）。 用户安装 如果您已经可以正常安装numpy，scipy，scikit-learn，joblib和numba，则可以使用pip轻松安装pyts。 pip install pyts 或conda经由conda-forge通道 conda install -c conda-forge pyts 您还可以通过克隆存储库来获取最新版本的pyts git clone https://github.com/johannfaouzi

matlab导入excel代码压缩连续时间序列的因果发现 1.代码摘要 在数据目录中，我们提供了实验中使用的所有数据以及MATLAB Simulink的数据生成器来生成机电工程数据。 在cute.py中，提供了一些方法，可让我们的方法与其他方法进行比较。 在granger.py中，我们提供了Granger因果关系测试方法。 在Util.py中，我们提供了将在DISC和实验中使用的所有功能。 在Disc.py中，提供了DISC的核心方法。 synthesis_data_test.py和real_data_test.py分别提供了综合数据测试和实际数据测试结果。 2.时间复杂度 Composite_data_test.py time_window() time_weighted() time_weighted_window() 3.编码方法的验证 Composite_data_test.py test_causality_consistency() test_no_causality_consistency() 4.综合实验结果 4.1简单线性因果关系 Composite_data_tes

使用LSTM和其他算法进行无监督的异常检测 在合成时间序列数据上使用LSTM（长期短期记忆）算法进行无监督的异常检测。 它使用均方误差作为此类数据中离群值的度量。 原始信号，平滑信号和通过MSE进行异常检测的图表。 一些待办事项： Keras（TF后端） 估算真实数据（例如，） PyTorch端口 其他方法： 带有状态转换的有限状态自动机，用于时间序列数据分段（ ） 一类NN（） 待定 参考

DeepAR：自回归递归网络的概率预测 描述 这是的实现。 这是什么实现不包含 尽管实现起来很微不足道，但是目前遗漏了两个重要的部分。 用于项目分类的联合嵌入学习 对高斯分布的支持，适用于预测实际价值时间序列。 如果您决定实施高斯分布，请注意重新分配分布参数。 请参阅本文。 结果 由于该论文没有提供定量结果，因此我们使用了Amazon Sagemaker上的carparts数据集进行了测试。 所有预处理和训练/有效拆分均完全按照本文中所述进行。 SageMaker的输出（单个时期） [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo-1, wQuantileLoss[0.5]): 1.12679 [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo