本资源是2019年美国大学生数学竞赛C题M奖论文内含全部的R语言代码。有用的伙伴下载学习交流。 声明：此论文只供自己学习使用，内容切勿用于商用。

时间序列 使用ARIMA和MLP进行时间序列预测

基于长-短期认知网络的风车时间序列在线学习_Online learning of windmill time series using Long Short-term Cognitive Networks.pdf

EvoNet 该项目实现了 [1] 中提出的进化状态图神经网络，这是一种基于 GNN 的时间序列事件预测方法。 兼容性 代码与 tensorflow 版本 1.2.0 和 Pyhton 3.6.2 兼容。 requirements.txt中列出了一些 Python 模块依赖项，可以使用 pip 轻松安装： pip install -r requirements.txt 输入格式 给出了一个示例数据格式，其中数据存储为包含 4 维张量的列表，例如 [number of samples × segment number × segment length × dimension of observation] 配置 我们可以使用./model_core/config.py来设置模型的参数。 class ModelParam(object): # basic mode

时间序列分析-机器学习模型 时间序列分析-未来7个月的飞机乘客预测

14通过对前14年的天气预报数据进行分析，（温度、风速，累计降雨量）预测未来6年的温度、风速和累计降雨量

熊猫时间序列数据中的日历热图 Calplot根据熊猫时间序列数据创建热图。 使用绘制每个日历年在热图中按天采样的时间序列数据，类似于GitHub的贡献图。 安装 要使用pip通过PyPI安装最新版本： pip install calplot 用法 有关此库的详细用法，请参阅。 以下示例在中运行。 import calplot import numpy as np ; np . random . seed ( sum ( map ( ord , 'calplot' ))) import pandas as pd all_days = pd . date_range ( '1/1/2019' , periods = 730 , freq = 'D' ) days = np . random . choice ( all_days , 500 ) events = pd . Series

如何在信号的强弱之 间做 出平衡以解决 GPS产 品信号定位漂移 问题的算法已成为新的研 究热点。提 出的基 于时间序列的 算法是在 GPS数据的存储端进行数据的校验和调整 ，以保证相 关的 GPS软件产品不受数据 类型和 来源的限制。该算法中的关键 参数值都是可以人工控制、调整的，以适应不同特点的数据集合及移动对象。从而提高了GPS定位数据的准确性，具有一定的经济 技 术 前景 。

纯随机性检验（白噪声序列检验） 检验原理 假设条件 检验统计量 判别原则

时间序列分析期末考试 参照.docx