水文时间序列趋势与突变分析系统，新建并导入资料，显示降水过程量曲线，绘制趋势线并进行突变分析。

1992-2013年的DMSP/OLS夜间灯光影像完成相互校正、连续性校正等，得到可用长时间序列DMSP/OLS夜间灯光影像，2012-2020年NPP/VIIRS夜间灯光影像完成年度影像年度数据合成、去噪、连续性校正等，得到可用的NPP/VIIRS夜间灯光影像，再对DMSP/OLS和NPP/VIIRS影像进行拟合，得到长时间序列的夜间灯光影像，可以直接用于城市建成区提取、GDP空间化分析以及各社会经济指标、人口等等的空间化分析。

通过逐步回归分析(SRA)、自适应模糊神经网络(ANFIS)资本资产定价模型(CAPM)对金融时间序列进行预测的MATLAB仿真。介绍了国内外关于证券组合投资的理论研究成果，并分析了各种方法的优缺点。然后分别介绍了逐步回归分析理论(Stepwise regression analysis，SRA)、自适应模糊神经网络理论(adaptive neural-fuzzy inference system，ANFIS)、资本资产定价模型(Capital asset pricing model，CAPM)三种方法。通过SRA方法来提高预测模型的性能，通过ANFIS模型获得更高精度预测模型，最后将SRA和ANFIS和CAPM资产资本定价模型进行结合，提出了一种适合国内证券市场的混合组合投资算法。并通过MATLAB仿真工具对该组合投资算法进行了性能验证，通过仿真结论可知，本文所提出的算法在国内证券市场可以获得较高的投资回报，因此具有一定的应用价值。

INSAR_G2S是自动GMTSAR捆绑脚本，在使用StaMPS运行InSAR时间序列分析之前，充当InSAR处理器。 该程序由gmtsar_process，gmtsar2stamps和gmtsar2stamps_sbas的脚本建立。 gmtsar2stamps最初来自： 唐晓鹏，中国科学院 徐小华（Eric）徐-斯克里普斯海洋研究所 斯克里普斯海洋学研究所大卫·桑德威尔（David Sandwell） 请阅读使用INSAR_G2S的指南-> guideline_insar_g2s.pdf 如有疑问和反馈，请联系：Noorlaila Isya（电子邮件： ） 感谢来自GMTSAR论坛用户 这是“按现状”提供给您的研究代码，不保证正确性。 使用风险自负。

运用实际案例讲解如何使用Python编程的方式进行时间序列分析，包括： 自回归移动平均（ARMA）建模方法自回归差分移动平均（ARiMA）建模方法时间序列分解方法（趋势与季节性分析）授课内容简洁明了，突出重点，强调实用性。

BA-Net：一种深度学习方法，可使用卫星图像的时间序列来绘制和绘制燃烧区域的日期 在过去的几十年中，用于烧伤区域的地图绘制和从遥感影像确定日期的方法一直是广泛研究的对象。 当前方法的局限性，以及对它们所需的输入数据的大量预处理，使其难以改进或应用于不同的卫星传感器。 在这里，我们探索基于每日多光谱图像序列的深度学习方法，这是一种有前途且灵活的技术，可应用于具有各种空间和光谱分辨率的观测。 我们使用从VIIRS 750 m波段重新采样到0.01º空间分辨率网格的输入数据测试了全球五个区域的建议模型。 派生的燃烧区域已针对更高分辨率的参考地图进行了验证，并与MCD64A1 Collection 6和FireCCI51全局燃烧区域数据集进行了比较。 我们显示，尽管使用的空间分辨率观测值低于两个全局数据集，但拟议的方法在燃烧区域测绘的任务中取得了竞争性的结果。 此外，与最先进的产品相比，我们改善

Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 论文的数据集，反映了广泛的具有挑战性的多水平预测问题中普遍观察到的特征。每个数据集的大致描述如下： Electricity。UCI电力负荷图数据集包含370个客户的每小时总用电量，我们使用过去一周的数据(即168小时)来预测第二天(即24小时)的消耗量。 Traffic。UCI PEM-SF交通数据集描述了[41]中440条旧金山湾区高速公路的占用率（yt为[0，1]）。根据电力数据集，它也按小时级别汇总，具有相同的后退窗口和预测范围。 Retail。来自Kaggle competition[14]的Favorita杂货销售数据集，它结合了不同产品和商店的元数据，以及其他每天采样的外生时变输入。我们使用90天的历史信息预测未来30天的产品销售记录 Volatility.。OMI实现库[19]包含了31个股票指数的日实现波动值，这些波动值是根据当日数据计算出来的，同时还包含了日收益。在我们的实验中，我们使用过去一年的信息(即252个工作日)来考虑未来一周(即5个工作日)的预测

混沌时间序列分析与预测工具箱 Version2.0，该工具箱包括了混沌时间序列分析与预测的常用方法,有:产生混沌时间序列(chaotic time series)等

近似熵 (ApEn) 是分析时间序列数据复杂性的流行工具，尤其是在临床研究中。 这个函数是 ApEn 的一个非常简单有效的实现，基于向量化概念，它大大提高了 for 循环实现的速度。 它还包含一个测试代码 (foo.m)，用于生成不同模拟时间序列数据的 ApEn 图，以帮助理解用法。 测试代码生成的图类似于 Ki H. Chon 在 2009 年发表于 IEEE Eng in Med Biol 的论文中出现的图，讨论了我们应该使用什么 r 值。

SARIMA(p,d,q)(P,D,Q,s) 季节性自回归移动平均模型，结构参数有七个 AR(p) 自回归模型，即用自己回归自己。基本假设是，当前序列值取决于序列的历史值。p 表示用多少个历史值来回归出预测值。 要确定初始 p，需要查看PACF图并找到最大的显著时滞，在 p 之后其它时滞都不显著。 MA(q) 移动平均模型，是对时间序列的误差进行建模，并假设当前误差取决于带有滞后的误差。可以在ACF图上找到初始值。 结合以上两种方法：AR(p)+MA(q)=ARMA(p,q)AR(p)+MA(q)=ARMA(p,q)AR(p)+MA(q)=ARMA(p,q)，就是自回归移动平均模型 剩下的参数