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。

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

特色 根据时间序列数据计算各种特征。 R包Python实现。 安装 您可以使用以下tsfeatures从安装tsfeatures的发行版本： pip install tsfeatures 用法 tsfeatures主函数默认情况下计算Montero-Manso，Talagala，Hyndman和Athanasopoulos在。 from tsfeatures import tsfeatures 该函数接收具有unique_id ， ds ， y列以及可选的数据频率的面板熊猫df。 tsfeatures ( panel , freq = 7 ) 默认情况下（ freq=None ），该函数将尝试推断每个时间序列的频率（使用ds列上pandas infer_freq ）并根据内置字典FREQS分配一个季节性周期： FREQS = { 'H' : 24 , 'D' : 1 ,

趋势分析 R包，用于时间序列数据的趋势分析。 使用不确定的Sen方法来计算趋势量和显着性值。

欢迎来到 TSP 引擎！ TSP 是一个时间序列模式搜索引擎。它是Clover Group Service 平台背后的后端系统。 TSP 是一个用现代 Scala 实现的分布式计算系统。有关详细信息，请参阅文档。 更多详情、使用方法，请下载后阅读README.md文件

使用机器学习进行DNA测序 双螺旋是DNA的正确化学表示。 但是脱氧核糖核酸是特别的。 它是由四种类型的氮碱基组成的核苷酸：腺嘌呤（A），胸腺嘧啶（T），鸟嘌呤（G）和胞嘧啶。 我们总是称它们为A，C，GandT。 基因组是生物体中DNA的完整集合。 所有生物物种都有一个基因组，但是它们的大小差异很大。 作为数据驱动的科学，基因组学广泛地利用机器学习来捕获数据中的依存关系并推断出新的生物学假设。 尽管如此，要从成倍增长的基因组数据量中提取新见解的能力需要更强大的机器学习模型。 通过有效利用大型数据集，深度学习已重构了计算机视觉和自然语言处理等领域。 它已成为许多基因组建模任务的首选方法，包括预测遗传变异对基因调控机制（如DNA接受性和剪接）的影响。 因此，在这里，我们将了解DNA结构以及如何使用机器学习来处理DNA序列数据。 前提条件： Biopython ：是python模块

2019新型冠状病毒疫情时间序列数据仓库.zip

基于LSTM神经网络对金融序列数据进行预测源代码。 文件包含： 采用lstm神经网络对金融序列数据进行预测分析并生成图片 数据（data文件夹，为将tushare中导入数据经过转译处理后形成的.csv表格文件，可通过excel等打开）； 图片（png文件夹，为代码工作过程中可视化形成的各类图片，包括收益率的频率直方图及其正态拟合曲线、LSTM模型分析后的预测和真实走势曲线拟合图） 代码（code文件夹，基于python和相关功能包实现，其中config.py中保存tushare的token接口，如需使用请自行注册）； 文件包含： 采用lstm神经网络对金融序列数据进行预测分析并生成图片 数据（data文件夹，为将tushare中导入数据经过转译处理后形成的.csv表格文件，可通过excel等打开）； 图片（png文件夹，为代码工作过程中可视化形成的各类图片，包括收益率的频率直方图及其正态拟合曲线、LSTM模型分析后的预测和真实走势曲线拟合图） 代码（code文件夹，基于python和相关功能包实现，其中config.py中保存tushare的token接口，如需使用请自行注册）；

使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。

% 用于绘制多通道时间序列数据的简单 MATLAB 函数％ ％ 用法： % plot_multichan( y ) % <- y: 信号% plot_multichan( x, y ) % <- x: 时间％ ％ 例子： ％y = randn（[20，2000]）; % plot_multichan(y); ％ % 作者：Hio-Been han, hiobeen.han@kaist.ac.kr, 2020-03-07 ％