CNN可以很好地识别数据中的简单模式，然后使用这些模式在更高的层中形成更复杂的模式。当您希望从整体数据集的较短(固定长度)片段中获得有趣的特征，且特征在片段中的位置相关性不高时，1D CNN非常有效。 这适用于传感器数据(如陀螺仪或加速度计数据)的时间序列分析。它还适用于分析固定长度周期内的任何类型的信号数据(如音频信号)。另一个应用程序是NLP(尽管在这里LSTM网络更有前途，因为单词的接近程度可能并不总是一个可训练模式的良好指示器) 博客地址：https://blog.csdn.net/weixin_38346042/article/details/121742025?spm=1001.2014.3001.5501

该函数根据加速度时间序列计算地震参数。 具体来说，它计算速度与时间、位移与时间、峰值地面加速度 (PGA)、峰值地面速度 (PGV)、峰值地面位移 (PGD)、Arias 强度与时间、总 Arias 强度 (Ia)、5% 之间的时间和 75% 的 Ia 已经发生（显着持续时间 D5-75），发生 5% 和 95% Ia 之间的时间（显着持续时间 D5-95），平均周期（Tm），伪加速响应谱（Sa），伪速度响应谱 (Sv)、位移响应谱 (Sd) 和傅立叶幅度谱 (FAS)。

预测能源时间序列 该项目处于开发的初期阶段。 我目前正在Tempus Energy处理时间序列问题-在为Tempus构建工作工具时，我尝试将其移植到该库中。 回购目标 此回购的目的是提供一组工具和能源问题的时间序列预测示例。 可重复使用的工具存在于forecast/forecast -项目特定的代码存在于projects/project_name 。 项目文件夹的结构是灵活的。 数据 用于刮擦公开可用的能源数据集的工具以及用于训练模型的清洁和处理数据的工具。 刮ing Elexon（英国网格数据） 加工 埃莱克森 风电场数据 Makridakis_2018_statistical_ml_concerns.pdf Original data: No pre-processing is applied. • Transforming the data: The log or the B

goNfCollector:一套收集和分析Netflow并将其导出到许多数据库和应用程序的工具，例如InfluxDB时间序列数据

G-P 算法同时求关联维和Kolmogorov熵 (输入时间序列数据) Contents.m CorrelationIntegral.dll LM2.p LorenzData.dll Main_KolmogorovEntropy_GP.m

学习时间序列的概念，从传统的技术到最前沿的技术。这本书用全面的例子清楚地说明了时间序列数据的统计方法和分析方法及其在现实世界中的应用。所有的代码都可以在Jupyter中找到。 您将从回顾时间序列的基础知识、时间序列数据的结构、预处理以及如何通过数据争论来构建这些特性开始。接下来，您将使用statmodels和pmdarima等趋势框架来研究传统的时间序列技术，如ARMA、SARIMAX、VAR和VARMA。 该书还解释了使用sktime构建分类模型，并涵盖了先进的基于深度学习的技术，如ANN, CNN, RNN, LSTM, GRU和Autoencoder，以解决使用Tensorflow的时间序列问题。最后介绍了时间序列分析建模的流行框架fbprophet。在使用Python阅读了Hands -On Time Series Analysis之后，您将能够在行业中应用这些新技术，如石油和天然气、机器人、制造业、政府、银行、零售、医疗保健等。 你将学习: 解释时间序列高级概念的基础知识 如何设计、开发、培训和验证时间序列方法 什么是平滑，ARMA, ARIMA, SARIMA,S

timeseries-lstm-keras：基于Jason Brownlee教程，在Keras中使用LSTM递归神经网络在Python中进行时间序列预测

探索空中交通流时间序列的多重分形特征有助于理解时间序列中的自相似性和相关性，从而有助于深入了解空中交通流的演变机理和规则模式，从而有助于发展有效的空中交通流量管理措施。 利用多元分形趋势波动分析方法，我们确定了北京首都国际机场2017年夏季的总量，到达和起飞空中交通流量时间序列在对应分频以下的尺度上具有多重分形性，并且其主要原因是多重分形的特征是大小波动的远距离相关性。 在时间序列的多重分形上进行的比较表明，总的和到达的空中交通流分别具有最强和最弱的多重分形，而离场的空中交通流介于两者之间。 比较结果还表明，总的和到达的空中交通流量对大的波动不敏感，以小波动为主导，而出发的空中交通流量对小波动不敏感，并且以大波动为主导。 此外，对雷暴季节和非雷暴季节的时间序列的多重分形特征的调查表明，雷暴季节对总空中交通流量的影响最大，并且在多重分形性方面存在显着的本质差异。雷暴季节前后的总空中交通流量。 对于到达的空中交通流量，极端波动率仅存在差异，而对于出发的空中交通流量，除了数量上的一些差异外，本质上没有差异。

BP滤波的操作 在EViews中，可以使用 Band-Pass 滤波对经济时间序列进行趋势循环分解。在序列对象的菜单中选择 Proc/ Frequency Filter，显示图2.13所示的对话框。 图2.13 频率滤波对话框

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost