006_基于支持向量机(SVM)的时间序列预测 Matlab代码实现过程，调用了libsvm工具箱实现

这是一个关于时间序列x13软件介绍，需要到外网才能看，这里分享给大家

基于SVM的金融时间序列分析的研究，刘迪，，本文通过比较支持向量机（SVM）和自回归移动平均模型(ARIMA)在金融时间序列回归分析的实验，提出了一种新的SVM和ARIMA的组合模型。该模

代码全部封装好了，注释也写得非常详细，在跑数据的过程中，有任何问题都可以私信博主

提出基于过程神经网络和自回归模型的组合预测方案。首先，采用二进正交小波变换对原始时间序列分解和重构，分离出原始序列中的高频部分和低频部分；然后对低频部分构建过程神经网络模型，对低频部分采用自回归模型；最后将两种模型的预测值叠加，得到原序列的预测值。

时间序列异常检测 使用正态分布检测时间序列数据中的异常值的异常检测概念的证明。 这依赖于具有正态分布的数据，并使用概率来估计离群值。 用于统计分析的算法为和。

时间序列-移动平均法代码.txt

太阳能数据工具 用于执行太阳能光伏数据信号常见任务的工具。 这些任务包括查找数据集中的晴天，常用数据转换以及解决时间戳记问题。 这些工具被设计为自动的，几乎不需要用户任何输入。 还包括库以帮助进行数据IO和绘图。 在仅将测量功率作为输入的情况下，此存储库与“存储库之间紧密集成，后者提供了系统输出的“晴空模型”。 有关示例，请参见文件夹。 设置 建议：建立conda环境，提供.yml文件 2021年3月更新 我们建议设置一个新的Python虚拟环境以在其中使用solar-data-tools 。 我们建议使用软件包管理系统，并使用此存储库顶层提供的名为pvi-user.yml的环境配置文件创建环境。 这也将安装statistical-clear-sky软件包。 有关设置Conda环境的其他文档，请参见。 请参阅Conda文档页面“ ”以获取更多信息。 将此项目作为PIP软件包安装

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.