Arauto 用于时间序列实验和预测的交互式工具 Arauto是一个开源框架，旨在简化建模和实验时间序列分析和预测的过程。 Arauto提供了一个直观的交互式界面，可以使用自回归模型（AR，ARMA，ARIMA，SARIMA，ARIMAX和SARIMAX）探索模型的不同参数。 越来越多的估计器和算法正在研究中。 关于Arauto的博客文章 Arauto在Towards Data Science的Medium博客上得到了推荐。 。 特征 支持外源回归变量（独立变量） 季节性分解可让您了解数据的趋势，季节性和残差 使用增强Dickey-Fuller检验的平稳性检验 自定义数据转换的平稳性：您可以使用从一阶差异到季节性日志来转换数据 ACF （自相关函数）和PACF （偏相关函数）用于项估计 自定义ARIMA术语或让Arauto根据您的数据选择最适合您的 网格搜索功能可进行参数调整 代码生成

延迟深度回声状态网络及其在时间序列预测中的应用.pdf

长时间序列气象数据结合随机森林法早期预测冬小麦产量.pdf

电力需求分析 在时间序列数据集上分析房屋的电力需求。 还使用基于电力需求的 K-Means 聚类创建了电器检测系统。

java版的时间序列预测算法源码，是核心代码

在许多领域，包括医疗保健、生物和气候科学，时间序列是不规则的采样，连续读数之间的时间间隔不同，不同的变量子集(传感器)在不同的时间点观测。在收集传感器测量数据时，经常存在一些实际问题，这些问题会导致各种类型的不正常现象，例如成本节约、传感器故障、物理场景中的外部力量、医疗干预等等。 虽然时间序列的机器学习方法通常假设完全可观察和固定大小的输入，但不规则采样的时间序列提出了相当大的挑战。例如，传感器的观测结果可能没有对齐，相邻读数之间的时间间隔可能因传感器而异，不同的样本可能在不同的时间记录不同数量的读数。

基于时间序列分析股票上证指数走势

视频教程

视频教程

分形维数在一维时间序列的分形特性分析中应用非常广泛，其计算方法多种多样，但是相关计算方法的全面对比鲜见文献报道。针对常用的八种一维时间序列分形维数计算方法，以WCF合成时间序列为研究对象，分别就算法的准确性和效率，对数据长度的依赖性进行分析对比。结果表明：准确性较好的三种算法是FA，DFA和Higuchi算法；而运算效率最高的是Sevcik，Katz和Castiglioni算法，但是它们的准确性偏低，而FA和Higuchi算法在计算时间上略微增加，但准确性比较高；在数据长度为4 096点时，各算法的计算值基本稳定，尤其是FA、Higuchi和DFA算法，在数据长度为4 096点时，计算值与理论值比较吻合。由此可以得出结论，Higuchi和DFA算法在计算一维时间序列的分形维数时性能优越，在相关的计算中优先选择。