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 ,

基于最小误差估计的综合时间序列预测法及其应用.pdf

基于EMD和神经网络的时间序列预测.pdf

Apache MXNet Gluon中的LSTNet实现 该存储库包含本文的实现： ://arxiv.org/abs/1703.07015，基于该存储库中作者的原始PyTorch实现： : 请参考该论文以获取有关网络体系结构的背景知识。 运行脚本 要获取命令行参数列表： python train.py-帮助

LSTM 时间序列分析预测 目录 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。

时间序列 Matlab代码和数据，教程

通货膨胀自古以来就是人们关注的焦点，随着通货膨胀的进一步加剧，导致各种经济问题产生多元化，从而改变了人们的消费理念关，进一步使人们着手去了解关于通货膨胀方面的问题。通过对通货膨胀预测指标研究，比较准确的预测关于未来通货膨胀的重要信息。本文比较系统的介绍了通货膨胀的描述及产生的原因，通过对通货膨胀预测指标的研究分析，侧重于我国通货膨胀的具体情况，对我国的通货膨胀进行了可行性分析，此论题的研究建立在时间序列模型，及准确的说是ARIMA模型，对我国的通货膨胀未来预期具有比较重要的意义。

针对时间序列识别的难点，介绍了一种被称为动态时间规整神经网络（DTW-NN）的新颖的时间序列识别模型，DTW-NN是一种利用动态时间规整（DTW）的弹性匹配能力来将层的输入与权值动态对齐的前馈神经网络。通过这种方式，DTW-NN能够解决时间序列识别的困难，例如在前馈结构中的时间失真和可变模式长度。结合在4个不同的数据集上的实验，证明了DTW-NN的有效性：在线手写字符、基于加速度计的活跃的日常生活活动、阿拉伯数字口语的Mel频率倒谱系数（MFCC）和叶形的一维质心半径序列。通过在这些数据集上获得的结果，证明了该方法是一种有效的时间模式学习的通用方法。

Andrew Ng， Deep learning课程第五课时间序列（RNN）作业 照搬的别人的，只是为了回本。 里面既有源码（不包含答案）的，方便做作业；也有答案版本（_ans结尾）,方便不会时候对答案