时间序列预测经典书籍 This textbook is intended to provide a comprehensive introduction to forecasting methods and to present enough information about each method for readers to be able to use them sensibly

趋势分析 R包，用于时间序列数据的趋势分析。 使用不确定的Sen方法来计算趋势量和显着性值。

多元时间序列 (MTS) 数据集广泛存在于众多领域，包括医疗保健、多媒体、金融和生物识别。 由于MTS是许多计算机视觉和模式识别应用中的重要元素，因此如何准确地对MTS进行分类已成为研究的热点。 在代码中，我们为 MTS 分类提出了基于马氏距离的动态时间规整 (MDDTW) 度量。 Mahalanobis 距离在每个变量与其对应的类别之间建立了准确的关系。 它用于计算 MTS 中​​向量之间的局部距离。 然后我们使用动态时间扭曲 (DTW) 来对齐那些不同步或长度不同的 MTS。 同时，我们使用基于 LogDet 散度的三元组约束（LDMLT）模型来学习具有高精度和鲁棒性的 Mahalanobis 矩阵。 此外，我们还演示了代码在 MTS 数据“JapaneseVowels”上的性能。

文献----基于特征模式提取的时间序列分类系统ppt

人工智能-反向传播神经网络在混沌时间序列预测中的应用.pdf

每月销售预测 在这个项目中，我使用时间序列分析根据历史数据预测了零售商店的月销售额。

时间序列分析在R中实现

这是时间序列处理器 (TSPROC) 的开发源代码树。 最初的 TSPROC 开发由 Watermark Numerical Computing 的 John Doherty 完成。它是地表水实用程序包的一部分，旨在支持使用参数估计 (PEST) 套件或程序优化模型参数。PEST 也是由 John Doherty 开发的。 构建过程总结 在源目录结构之外创建一个构建目录并更改目录。如果您已克隆此存储库，那么您应该在“build”子目录中找到几个子目录，其中包含旨在在调用 CMake 之前设置环境变量和编译选项的脚本。CMake 获取这些环境变量，解析源代码，确定依赖关系（即首先构建哪些模块），并创建一个makefile。然后用户可以调用 makefile 来触发各种模块的实际编译和链接。 更多详情、使用方法，请下载后阅读README.md文件

时间序列和面板数据方法的计量经济学包，涵盖单位根、协整和因果关系检验。在存在结构断裂的情况下进行广泛的测试。 例子 安装库后，所有可用程序的示例都可以在您的GAUSS主目录中的pkgs > tspdlib >examples目录中找到。该示例使用包含在pkgs > tspdlib >examples目录中的GAUSS和 .csv 数据集。 文档 这些过程的文档tspdlib可以在我们的Aptech TSPDLIB 文档页面上找到。 更多详情、使用方法，请下载后阅读README.md文件

欢迎来到 TSP 引擎！ TSP 是一个时间序列模式搜索引擎。它是Clover Group Service 平台背后的后端系统。 TSP 是一个用现代 Scala 实现的分布式计算系统。有关详细信息，请参阅文档。 更多详情、使用方法，请下载后阅读README.md文件