LSTM-时间序列预测

异常检测风险 在对金融风险度量和收益执行异常检测的5个模型之间的比较。 这些实验是学位项目“投资组合风险管理异常检测”的一部分，可以在Simon_Westerlind_Masters_Thesis.pdf或上找到。 先决条件 安装 。 安装conda要求 conda install --yes --file requirements.txt 安装软件包。 否则，ARMA-GARCH将不起作用。 安装 。 复制存在于./htm中的returns_and_risk文件夹并将其放置在/ nupic / examples / opf / clients /中 跑步 要运行EWMA，ARMA-GARCH，LSTM和HardLimits，请运行 python garch_long.py 在./garch文件夹中。 之后运行 python run.py --plot 可以在/ nupic /

航空公司每月运量时间序列数据

LSTM网络的训练和测试,采用时间序列进行测试，训练时间较慢，要耐心等待。 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径

matlab对比实验代码多重分形 工具（C / Matlab）用于一维（时间序列）和2D（图像）信号的多重分形分析 本文的材料提供了可用于信号和图像的多重分形实验/分析的低级图像处理滤波器。 描述 代码源文件将使您能够重现参考文献中提到的一些实验，即： 使用所谓的小波对信号/图像进行多分形分析， 分形奇异指数和分形谱的计算， 信号/图像的多帧分解， 提取所谓的最奇异歧管， 所谓的色度降低的信号/图像的表征， 信号/图像的多重分形重建。 另请参阅1D（时间序列）信号的多重分形奇异性分析。 用法 要启动程序： 在Matlab ，有关完整功能列表，另请参见； 呼吁一个应用的例子； 在C ，使用Makefile从源代码生成。 关于 版本 1.0 （非活动开发） 自从 2002年 执照 （引用源代码或下面的任何参考！） 参考 Yahia H.，Turiel A.，Chrysoulakis N.，Grazzini J.，Prastacos P.，and Herlin I.（2008）：， International Journal of遥感学报，29（14）：4189-4205，doi :. Gr

Matlabs Matlab中的时间序列分类

先进的化学过程工程工具，如模型预测控制或软传感器解决方案，需要适当的过程模型。 这些模型的参数识别需要具有高信息量的输入输出数据。 当无法应用基于模型的优化实验设计技术时，从历史数据中提取信息片段也可以支持系统识别。 我们开发了一种面向目标的基于 Fisher 信息的时间序列分割算法，旨在从历史过程数据中选择信息片段。 所使用的标准自下而上算法广泛用于过程数据的离线分析。 不同的段可以支持参数集的识别。 因此，我们建议使用从序列获得的 Fisher 信息矩阵的特征向量之间的 Krzanowski 相似系数，而不是使用 D 或 E 最优性作为比较两个输入序列（相邻段）的信息内容的标准。 两个应用示例证明了所提出方法的效率。 该算法能够从历史过程数据中提取具有参数集特定信息内容的段。 它也在： L. Dobos, J. Abonyi, 基于时间序列分割的 Fisher 信息矩阵过程数据分析

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

利用数据挖掘技术分析外汇汇率时间序列,从时间序列中获得正确的、隐含的、潜在的信息对于金融领域研究具有重 要的现实意义。通过数据挖掘中的 ARIMA模型,以某银行的外汇汇率时间序列为研究对象,采用差分方法和建模规则,对 外汇的卖出价进行了建模与预测。通过与逐步自回归预测模型相比较,ARIMA模型对外汇汇率时间序列数据具有很强的 预测能力。

经典的arima时间序列预测模型的扫盲。从模型理论上讲解