使用pytorch搭建的简单的LSTM多变量多输出时间序列预测的使用例。 生成了多个以sinx、cosx、tanx构成的序列，使用[i:i+50]的数据预测[i+51]的数据。x是步长为0.1的等差数列 作者初学时用来当说明文档使用，程序适合初学者捣鼓，注释写的很详细了

小时间序列在宏观经济领域普遍存在, 对小时间序列的分类预测也有着广泛的需求.由于小时间序列 蕴含的信息不充分, 有效地提高小时间序列分类预测的可靠性非常困难, 目前也缺少这方面的研究.针对这种情况, 在基于引入平滑 参数的高斯核函数估计属性边缘密度的基础上, 建立用于小时间序列分类预测的动态朴素贝叶斯分类器, 并给出平滑参数的同步和异步优化方法.实验 结果表明, 优化能够显著提高小时间序列分类预测的准确性.

自己写的时间序列线性分割，可以用来做数据压缩，可以运行，没有错误。

使用matlab编程语言，实现dtw算法，已经经过测试。

数据挖掘 LSTM 时间序列预测 随机森林 基于LSTM的股票数据分析 数学建模 探究股票各指标的相关性、建立模型 建立LSTM时间序列模型

模型时间集合 使用Modeltime进行时间序列预测的集成算法 一个modeltime扩展，它实现了集成预测方法，包括模型平均，加权平均和堆栈。 安装 安装CRAN版本： install.packages( " modeltime.ensemble " ) 或者，安装开发版本： remotes :: install_github( " business-science/modeltime.ensemble " ) 入门 ：了解使用Modeltime进行预测的基础知识。 ：了解Modeltime集成模型的预测基础。 在几分钟内使您的第一支乐团 加载以下库。 library( tidymodels ) library( modeltime ) library( modeltime.ensemble ) library( tidyverse ) library( timetk ) 第

时间序列特征提取与聚类算法研究.pdf

邓自立——现代时间序列分析及其应用 建模、滤波、去卷、预报和控制

pdf

特色 根据时间序列数据计算各种特征。 R包Python实现。 安装 您可以使用以下tsfeatures从安装tsfeatures的发行版本： pip install tsfeatures 用法 tsfeatures主函数默认情况下计算Montero-Manso，Talagala，Hyndman和Athanasopoulos在。 from tsfeatures import tsfeatures 该函数接收具有unique_id ， ds ， y列以及可选的数据频率的面板熊猫df。 tsfeatures ( panel , freq = 7 ) 默认情况下（ freq=None ），该函数将尝试推断每个时间序列的频率（使用ds列上pandas infer_freq ）并根据内置字典FREQS分配一个季节性周期： FREQS = { 'H' : 24 , 'D' : 1 ,