Multivariate Time Series Analysis: With R and Financial Applications。多元时间序列分析的经典书籍

注重多元时间序列的LSTM自动编码器 该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。 下载和依赖项 要克隆存储库，请运行： git clone https://github.com/JulesBelveze/time-series-autoencoder.git 要安装所有必需的依赖项，请运行： pip install -r requirements.txt 用法 python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE] [--label-col LABEL_COL] [--input-att INPUT_ATT] [--temporal-att TEMPORAL_ATT] [--seq-le

统计学国外经典教程，多维密度估计理论、实践、可视化，作者：David W.

MvCAT 是在 Matlab 中作为用户友好的工具箱（软件）开发的，可帮助科学家和研究人员进行严格而全面的多元相关性分析。 它使用具有1至3个参数的26个系动词科来描述两个随机变量的依存结构。 MvCAT使用局部优化以及贝叶斯框架内的马尔可夫链蒙特卡罗模拟，通过将copula系列与可用数据进行对比来推断copula系列的参数值。 如果使用 MCMC 模拟进行贝叶斯分析，则可以从 copula 参数的后验分布中获得每个 copula 族的不确定性估计。 贝叶斯框架内的 MCMC 不仅提供了对全局最优值的稳健估计，而且还近似了 copula 族的后验分布，可用于构建 copula 的预测不确定性范围。 局部优化方法容易陷入局部最优（有关更多信息，请参见 Sadegh 等人，2017）。 用户可以选择可用的 26 个 copula 的任何子集，MvCAT 将执行分析并根据它们的性能对选定的 c

快速自适应多元经验模式分解 (FA-MVEMD) 工具箱包含一系列旨在分解 1、2 和 3 维性质的数据集的函数。 该算法基于MR Thirumalaisamy，PJ Ansell，“多维，多变量信号的快速和自适应经验模式分解”（IEEE信号处理快报，第1卷）中介绍的工作。 2018 年 10 月 25 日。 系统要求： 根据您的数据集，RAM 要求可能达到数十 GB。 作为粗略估计，请确保您的计算机 RAM 中的数据集大小至少为 10 倍。 如果您的数据集是 100MB，那么您的 RAM 应该大约是 1GB。 依赖项： FA-MVEMD 工具箱依赖于一些第三方功能才能执行。 这些函数及其作者的列表如下： MinimaMaxima3D - (v1.0 Dec 13, 07 , Sam Pichardo) 极值 - (2004, Carlos Adrián Vargas Aguiler

该项目用于科学/研究目的。 它需要在外汇模拟账户上运行，如果它在外汇上工作并且有人声称外汇是混乱的、不可预测的系统，这意味着这种方法将适用于其他现实生活中的复杂系统（工业或自然中的某个地方）环境，其中存在管理这些系统的已知物理定律），其中有许多变量相互依赖，并且需要预测这些变量的未来运动。

非常不错的一本书，值得收藏

多元时间序列数据集 在此githup回购中，我们提供了四个可用于与多元时间序列信号相关的研究的数据集。 不同数据集的格式相同。 假设时间序列信号包含T个时间戳，每个时间戳包含n个传感器，则数据文件将包含T行，并且每行具有n个由逗号分隔的实数。 纸 用电量 原始数据集位于。 这是从2011年到2014年每15分钟记录一次用电量，单位为kWh。因为某些维度等于0。所以我们在2011年取消了记录。最终，我们得到的数据包含2012年到2014年321个客户的用电量。我们转换了数据以反映小时消耗。 流量使用 原始数据位于。 此仓库中的数据是来自加利福尼亚交通部的48个月（2015-2016）每小时数据的集合。 数据描述了旧金山湾地区高速公路上不同传感器测得的道路占用率（0到1之间）。 太阳能 原始数据位于 ：它包含2006年的太阳能发电记录，该记录每10分钟从阿拉巴马州的137个光伏电站中采样一次状

An introduction to multivariate statistical analysis 3rd edition是一本经典的多变量分析书籍，风靡国外统计学界。本书籍内容为英文。

假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。