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

时间序列分析 非常有趣的时间序列机器学习模型 这主要集中在使用表格数据集的时间序列分析上。 探索性数据分析（EDA）包含： 每日，每月和每年的销售额 使用Qunatile方法查找数据的异常值 平稳计算，自相关函数（ACF）和偏相关函数（PACF） 我用于时间序列分析的模型 ARIMA，SARIMAX 线性回归 随机森林回归 决策树回归器 梯度提升回归器 Ada Boost回归器 XG加速 K邻居回归器 支持向量回归 LSTM

代码数据是基于ARMA模型，对一组海浪高度数据的时间序列（内含一数据文本文件），进行时间序列分析及预测拟合，代码中对于特别位置均有注释说明，便于学习理解

从多年时间序列中删除每日平均值。 时间序列 t 和 y 必须是等长的向量，并且 t 必须是 datenum 格式的每日值。 y_deseasoned = deseason(t,y); 返回淡化的 y 信号。 [y_ds,y_s] = deseason(t,y); 返回淡化的 y 信号和提取的季节性信号，使得 y = y_s + y_ds。 [y_ds,y_s,annualsig] = deseason(t,y); 还返回一个长度为 366 的向量，其中包含年度信号，其中 yearsig 的索引对应于一年中的某一天。 此函数需要在 Mathworks FEX 站点上提供 Anthony Kendall 的 date2doy 函数： http : //www.mathworks.com/matlabcentral/fileexchange/18316

[gmsl,year_vec] = get_gmsl 检索 1992 年至今的全球平均海平面数据。 get_gmsl_ns 功能相同，但去除了季节性信号。 输入：无 输出： gmsl = 全球平均海平面阵列year_vec = 对应年份 两行示例： [sealevels,datearray] = get_gmsl; 情节（日期数组，海平面） 包中提供的示例文件 (global_mean_sea_level_plotter.m) 使用 get_gmsl 和 get_gmsl_ns 绘制从 1992 年到呈现的全球平均海平面，并计算拟合数据的线性最小二乘法。 数据来自科罗拉多大学海平面研究小组网站， http://sealevel.colorado.edu/ 。 如果您使用此数据集，请引用以下内容： Nerem、RS、D. Chambers、C. Choe 和 GT Mitchum。

一种称为基于相关的动态时间扭曲 (CBDTW) 的新算法，它结合了基于 DTW 和 PCA 的相似性度量。 为了保持相关性，多元时间序列被分割，DTW 的局部差异函数源自 SPCA。 这些段是通过使用特殊的 PCA 相关成本通过自下而上的细分获得的。 我们的新技术符合两个数据库的要求，即 2004 年签名验证竞赛数据库和常用的 AUSLAN 数据集。 我们表明，在具有复杂相关结构的数据集的情况下，CBDTW 优于标准 SPCA 和最常用的基于欧几里德距离的多元 DTW。 该算法也描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月

matlab时间序列工具箱，

在这里，您将找到用于混沌时间序列预测任务的径向基函数神经网络 (RBF-NN) 的两种变体。 特别是，我以常规方式实施了RBF，并将其性能与时空RBF-NN进行了Mackey-Glass时间序列预测。 * 对于引文，请参阅 [引用为] 部分

很好的一本学习时间序列的课本，强烈推荐！

时间序列分类的深度学习 这是发表在“时间序列分类的深度学习：评论”的配套资料库，该也可以在。 数据 该项目中使用的数据来自两个来源： ，其中包含85个单变量时间序列数据集。 ，其中包含13个多元时间序列数据集。 码 代码划分如下： python文件包含运行实验所需的代码。 文件夹包含必要的功能，以读取数据集并可视化绘图。 文件夹包含9个python文件，每个文件针对本文测试的每个深度神经网络。 要在一个数据集上运行模型，应发出以下命令： python3 main.py TSC Coffee fcn _itr_8 这意味着我们将在Coffee数据集的单变量UCR存档上启动模型（有