RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

时间序列分析人大白皮版数据，习题数据，表格与文档形式。

张量 张量时间序列的因子和自回归模型 R包张量TS包括我们最近的论文中的方法，包括高维张量时间序列的因子模型和自回归模型。 要了解更多详细信息，请参阅手册文件以获取完整的文档。 安装 您可以使用以下方法从安装tensorTS的发行版本： install.packages( " tensorTS " ) 以及来自的开发版本，其中包括： # install.packages("devtools") devtools :: install_github( " ZeBang/tensorTS " )

lstm训练模型，训练时间序列，可预测长时数据

重新采样 X(n)。 Y(n) = X(alpha*n)，其中 alpha 是重采样间隔。 例如，如果 X 是以每秒 1000 个样本进行采样的数据，并且您希望将其转换为等效于每秒 1100 个样本，请使用 alpha=1000/1100 (.9091)； 对于每秒 800 个样本，使用 alpha = 1000/800 (1.25)。 ResampleX 类似于 MATLAB“resample”函数（在 SignalProcesscing 工具箱中）。 对于大多数应用程序，resampleX 要快得多。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

ds_practical 西门子的数据科学实用项目，用于检测小时间序列数据中的概念漂移

格兰杰因果关系（Granger causality）是以统计假设检验为基础的，这一观点认为因变量能够帮助目标变量进行预测。更具体地说，如果根据变量x和变量y的过去值的y的自回归模型比仅基于y的过去值的y的自回归模型有更准确的预测结果，那么变量x与变量y满足格兰杰因果关系。该过程中同样采用了BIC方式来迭代获取用于构建最优模型所需要的时间序列过去时刻的长度（lag）

使用深度学习进行时间序列预测的论文，代码和实验清单深度学习时间序列预测最新技术论文列表着重于深度学习以及使用深度学习进行时间序列预测的资源，代码和实验。 经典方法与深度学习方法，竞赛...目录论文会议竞赛代码理论-资源代码资源数据集论文2020复杂事件流处理和预测的方法Viktor Morozov，Mikhail Petrovskiy。 代码还没有。 知识增强神经

王燕 应用时间序列分析 中国人民大学出版社