王燕 应用时间序列分析 中国人民大学出版社

5.神经网络时间序列工具(ntstool) 时间序列中数据的取值依赖时间的变化，邻近时刻的数值分布存在一定的规律性，从而在整体上呈现某种趋势或周期性变化的规律，因此可以由已知数据预测未知数据。但每个数据点的取值又伴有随机性，无法完全由历史数据推演得到。 时间序列分析可以借助许多数学工具。如滑动平局模型，二次滑动平均模型等 . MATLAB神经网络工具箱为用户提供了时间序列工具ntstool，它可以解决三类时间序列问题： 有外部输入的非线性自回归； 无外部输入的非线性自回归； 时间延迟问题。

通过数学模型介绍了，非常热门，应用广泛，高大上的一些机器学习模型

时间序列分析 北京大学时间序列分析教材

时间序列主题跟踪器 使用LDA的时间序列主题跟踪 输入：文件和日期 输出：主题和该主题中文档的时间序列

matlab自相关代码评估有针对性的和多元依赖措施的重要性 版权所有（C）2020 Oliver Cliff。 该存储库提供了MATLAB函数，用于计算和评估多个自相关时间序列之间的线性相关性。 这包括各种线性相关性度量以及用于推断其重要性的假设检验，所有这些都在本文中和中进行了讨论。 实施的度量为：互信息，条件互信息， Granger因果关系和条件Granger因果关系（每个均针对单变量和多元线性高斯过程）。 为了完整起见，我们还包括了单变量过程的Pearson相关性和部分相关性（具有潜在的多元条件过程）。 该代码已根据（或更高版本）获得许可。 入门 确保具有MATLAB并已下载并安装（用于自相关和过滤功能）。 克隆（或下载）存储库。 将存储库添加到您的路径（包括utils文件夹）中，例如，使用： addpath(genpath('/path/to/repository')). 帮助中有关每个功能的文档。 使用的主要功能是mvmi.m （相互信息）， mvgc.m （格兰杰因果关系）和pcorr.m （皮尔森/偏相关）。 所有这三个都允许添加条件过程，并且可以选择输出p值。 p值是从

The theory and practice of time series analysis have developed rapidly since the appear- ance in 1970 of the seminal work of George E. P. Box and Gwilym M. Jenkins, Time Series Analysis: Forecasting and Control, now available in its third edition (1994) with co-author Gregory C. Reinsel. Many books on time series have appeared since then, but some of them give too little practical application, while others give too little theoretical background. This book attempts to present both application, and theory at a level acces- sible to a wide variety of students and practitioners. Our approach is to mix application and theory throughout the book as they are naturally needed.

（1）二次多项式 预测模型为： 一阶差分 二阶差分 当时间序列各数值的二阶差分相等或大致相等时，可以采用二次项式模型进行预测。 （2）三次多项式 预测模型为： 一阶差分 二阶差分 三阶差分 当时间序列各数值的三阶差分相等或大致相等时，可以采用三次多项式模型进行预测。

时间序列分析在R语言上的应用，可以应用在趋势分析，风险预测等方面

颜色分类leetcode 时间序列聚类 时间序列聚类是一项无监督学习任务，旨在将未标记的时间序列对象划分为同质的组/集群。 与其他集群中的时间序列相比，同一集群中的时间序列彼此更相似 该算法能够： 识别跨序列的联合动态 消除序列间的滞后（时移）（通常称为滞后不变性） 生成可解释的特征。 一般来说，时间序列聚类算法有两种类型： 基于特征- 使用特征提取转换原始数据，在生成的特征之上运行聚类 基于原始数据- 直接应用于时间序列向量，无需任何空间变换 变分循环自动编码器 (VRAE) VRAE 是一种基于特征的时间序列聚类算法，因为基于原始数据的方法受到维数灾难的影响，并且对嘈杂的输入数据很敏感。 中间的瓶颈层将作为整个输入时间序列的特征表示。 建筑学 网络 从这里开始，RNN 指的是循环神经网络架构，即 LSTM/GRU 块。 我们的模型主要由四个块组成 编码器：输入向量序列被馈送到 RNN，最后一个隐藏层h_end从 RNN 中提取并传递到下一层 编码器到潜在层： h_end通过使用线性层映射到均值和标准差 给定均值和标准差。 偏差，在训练期间执行重新参数化。 这实质上意味着从由其均值和