数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.

本书以易于理解的方式讲述了时间序列模型及其应用，主要内容包括：趋势、平稳时间序列模型、非平稳时间序列模型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差时间序列模型、谱分析入门、谱估计、门限模型.对所有的思想和方法，都用真实数据集和模拟数据集进行了说明. 本书可作为高等院校统计、经济、商科、工程及定量社会科学等专业学生的教材或教学参考书，同时也可供相关技术人员使用.

符号化表示是一种有效的时间序列降维技术，其相似性度量是诸多挖掘任务的基础。基于SAX(symbolic aggregate approximation)的距离MINDIST_PAA_iSAX不满足对称性，在时间序列挖掘中具有局限性，提出了对称的度量Sym_PAA_SAX，且下界于欧拉距离。在真实数据集和合成数据集上的实验说明下界紧密性较好，相似搜索错报率较低。

时间序列分析之ARIMA上手-Python-附件资源

多元时间序列之间的传递熵

时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。分析时间序列的方法构成数据分析的一个重要领域，即时间序列分析。代码

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