为减轻日益严重的交通拥堵问题，实现智能交通管控，给交通流诱导和交通出行提供准确实时的交通流预测数据，设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子，建立时间序列预测模型框架，借助Matlab完成从数据的处理到模型的仿真，实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比，结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建，可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.

(3)对于ARMA(p,q)模型定阶 例如：在ARMA(p,q)和ARMA(p-1,q-1)选择。 *

LHCnn：一种利用卷积神经网络的新型高效多元时间序列预测框架

ar模型matlab代码时间序列生成 Matlab代码，用于从不同类型的生成模型系统生成时间序列。 基本支持： 自回归过程： MkSg_AR ODE系统（动态系统或流程，包括JC Sprott进行的混沌和时间序列分析中包括的所有系统）： MkSg_Flow 迭代地图（包括JC Sprott在“混沌和时间序列分析”中列出的所有地图）： MkSg_Map 不相关的随机噪声（来自给定的分布）： MkSg_Noise 自仿射过程： MkSg_SelfAffine 嘈杂的正弦波： MkSg_Sine 为参数不断变化的不同系统生成HCTSA文件 runScript.m

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点，容错性差，难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列，基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一，需通过排序、分组填充对模型输入进行重构改进，然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法，结果表明：经过数据重构后所提方法的准确率可达91.9 %；当特征指标数量减少约2/3时，所提方法的准确率仅下降约1%，而其他方法的准确率平均下降约6 %；当采样数据存在10%的随机错误时，所提方法诊断准确率仅下降2%~6 %，且通过改变隐藏层的数量可得到改善。

使用简单的高斯滤波器平滑时间序列的非 GUI 函数。 用法： zfilt = gaussfilt(t,z,sigma); 其中 t & z 定义时间序列（t 自变量，z 是数据向量），sigma 定义高斯滤波器的标准偏差（宽度）。

主要介绍了详解用Python进行时间序列预测的7种方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

GluonTS-Python中的概率时间序列建模 GluonTS是一个用于概率时间序列建模的Python工具包，它围绕构建。 GluonTS提供了用于加载和迭代时间序列数据集，准备好进行培训的最新模型以及用于定义自己的模型并快速尝试不同解决方案的构建基块的实用程序。 安装 GluonTS需要Python 3.6，最简单的安装方法是通过pip ： pip install --upgrade mxnet~=1.7 gluonts Dockerfiles 可以在文件夹中找到与Amazon Sagemaker兼容的 。 快速入门指南 这个简单的示例说明了如何从GluonTS训练一些数据的模型，然后使用它进行预测。 第一步，我们需要收集一些数据：在本示例中，我们将使用提及AMZN标记符号的大量推文。 import pandas as pd url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv" df = pd . read_csv ( url

输入您的 2D 数据矩阵，并以可发布的图形格式自动生成均值和方差图。 Completey 环绕 plot() 函数，支持其所有现有功能以及方差图的其他选项。 对于查看时间 x 试验样式数据的任何人，这可以（并且应该）替换您的标准 'plot(mean(data)) 命令。