时间序列转换器 Transformer 模型的实现（最初来自 ）应用于时间序列（由提供支持）。 变压器型号 Transformer 是基于注意力的神经网络，旨在解决 NLP 任务。 它们的主要特点是： 特征向量维度的线性复杂度； 序列计算的并行化，而不是顺序计算； 长期记忆，因为我们可以直接查看任何输入时间序列步骤。 这个 repo 将专注于它们在时间序列中的应用。 数据集和应用作为元模型 我们的用例是为建筑能耗预测建模一个数字模拟器。 为此，我们通过对随机输入（建筑特征和使用情况、天气等）进行采样创建了一个数据集，并获得了模拟输出。 然后我们以时间序列格式转换这些变量，并将其提供给转换器。 时间序列的改编 为了在时间序列上表现良好，必须进行一些调整： 嵌入层被通用线性层取代； 原始位置编码被删除。 可以改用“常规”版本，更好地匹配输入序列日/夜模式； 在注意力图上应用一个

echarts做全球疫情时序动态变化图-轮播图 疫情可视化 数据到2020.6.13

时间序列 预测2018年前六个月的建筑钢材价格。 调查了2008年至2017年钢铁的历史价格数据，以确定价格特征。 由于价格显示季节性，因此使用时间序列预测方法SARIMA（使用AutoARIMA软件包）进行了预测。 此外，还对钢筋，玻璃，混凝土和胶合板的价格进行了调查。 除了预测之外，还对价格执行异常检测。 使用PCA和K均值聚类确定异常。

用于时间序列分类的多元LSTM-FCN MLSTM FCN模型（来自 FCN）使用最新的单变量时间序列模型（来自的最新的单变量时间序列模型，LSTM-FCN和ALSTM-FCN来增强挤压和激励块。 对于LSTM-FCN和ALSTM-FCN模型的代码可以在这里找到 。 安装 下载存储库并应用pip install -r requirements.txt安装所需的库。 具有Tensorflow后端的Keras已用于开发模型，并且目前不支持Theano或CNTK后端。 权重尚未通过这些后端进行测试。 注意：所有模型的“输入”层的输入都将被预先混洗为形状（“批量大小”，“变量数”，“时间步数”）

influxdb客户端csharp 该存储库包含InfluxDB 2.0的参考C＃客户端。 注意：将此客户端库与InfluxDB 2.x和InfluxDB 1.8+一起使用（）。 要连接到InfluxDB 1.7或更早的实例，请使用客户端库。 产品特点 支持通过InfluxDB 1.7+ REST API（ /api/v2/query endpoint ）使用Flux语言进行/api/v2/query endpoint InfluxDB 2.0客户端 使用Flux语言查询数据 使用写数据 POCO InfluxDB 2.0管理API客户端，用于管理 货源，水桶 任务 授权 健康检查 ..

Convolutional Neural Networks for Multivariate Time Series Classification using both Inter- & Intra- Channel Parallel Convolutions G. Devineau

DEEP_TIME_SERIES_FORECASTING_With_PYTHON An Intuitive Introduction to Deep Learning for Applied Time Series Modeling Dr. N.D Lewis

TimeSeries_Project

动态时间扭曲的K最近邻：KNN和DTW分类算法的Python实现

时间序列桥是一种可用于将指标从一个监视系统导入另一个监视系统的工具。 它定期对源监视系统（当前是Datadog＆InfluxDB）运行特定查询，并将新的时间序列结果写入目标系统（当前仅是Stackdriver）。 目录 设定指南 简而言之，要设置ts-bridge应用： 创建将托管应用程序的GCP项目 配置导入指标 部署应用程序，使其每分钟自动导入指标 以下各节将指导您完成此过程。 创建并设置Google Cloud Project 我们建议将托管ts-bridge的项目与其他基础结构分开，以使基础结构故障不会影响监视，而监视故障不会影响基础结构。 登录并 确保新项目已（请注意，Stac