此工具箱可同于计算混沌时间序列的嵌入维数和延迟时间等很多参数，以及不变量的求取

hts：分层和分组时间序列

scikit-hts：使用熟悉的API进行分层时间序列预测

Jupyter中的时间序列预处理工作室：Jupyter笔记本中的时间序列数据预处理Studio

针对矿井瓦斯浓度预测研究现状，提出一种基于Python的瓦斯浓度时间序列预测方法。 该方法采集、处理了矿井瓦斯浓度历史数据，形成适用于数据挖掘的平稳时间序列；基于该序列，调 用Python自带的ARIMA模块函数，构建瓦斯浓度预测模型；利用建立的预测模型对瓦斯浓度进行 预测，并对比分析瓦斯浓度历史数据与预测数据的误差大小，进行模型预测效果评价；最后，利用满 足精度要求的预测模型，预测瓦斯浓度变化趋势。 以贵州某矿为例，采集2018年３月５日 至2018年３月７日的瓦斯数据作为样本数据，并调用Python的ARIMA模块建立预测模型，开展瓦斯浓度 预测研究。 结果表明，该方法实现了瓦斯浓度预测的可视化，并使瓦斯浓度预测均方根误差低为2.34％，预测精度较高，可为降低矿井瓦斯事故提供一定的技术支撑。 

拿到的GIMMS NDVI数据是ENVI格式（不是NASA的原始数据），要求做时间序列分析，查看变化情况，那么该怎么做呢？

神经控制微分方程用于不规则时间序列[ ， ] 基于对受控微分方程的深入理解的数学理论，我们演示了如何构建以下模型： 直接作用于不规则采样的部分观测的多元时间序列。 可能会进行记忆有效的伴随反向传播训练-即使是跨观测也是如此。 展示最先进的性能。 使用现有工具（尤其是PyTorch和库）可以轻松实现和评估它们。 图书馆 参见 。 例子 我们鼓励您看一下 ，它演示了如何使用该库来训练Neural CDE模型来预测螺旋的手征性。 有关如何处理可变长度输入，不规则采样或丢失数据的演示，另请参见 ，所有这些都可以在不更改模型的情况下轻松处理。 一个自包含的简短示例： import torch import torchcde # Create some data batch , length , input_channels = 1 , 10 , 2 hidden_channels = 3 t

基于 Keras 用深度学习预测时间序列 基于 Keras 用深度学习预测时间序列

arima的matlab代码time_series_forecasting_pytorch 实验源码：使用pytorch进行时间序列预测，包括MLP、RNN、LSTM、GRU、ARIMA、SVR、RF和TSR-RNN模型。 要求 Python 3.6.3（Python） keras 2.1.2 火炬 1.0.1 张量流-GPU 1.13.1 sklearn 0.19.1 麻木 1.15.4 熊猫 0.23.4 统计模型 0.9.0 matplotlib 2.1.0 代码 ARIMA.py：ARIMA 模型，迭代版本 Holt_Winters.py Holt-Winters 模型，只有初级版本 eval.py：评估指标，包括RMSE、MAE、MAPE和SMAPE。 NN_forecasting.py：神经网络预测 model.py：神经网络模型 train.py：神经网络模型的训练和预测，包括RNN、LSTM、GRU、MLP、TSR-RNN ts_decompose.py：时间序列分解 ts_loader：神经网络模型的数据加载器 ML_forecasting.py：通用机器学习模型，包

RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series