Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

matlab eof代码

基于LSTM的序列预测-机月流量预测项目代码，原始博客地址：https://panjinquan.blog.csdn.net/article/details/120918732

混沌时间序列分析及其应用 吕金虎 武汉大学出版社

这是时间序列的PDF文档以及Python代码。欢迎数学建模的同行下载扩散。。。。。

SampEn 是一种复杂性度量，可以轻松应用于任何类型的时间序列数据，包括心率变异性和 EEG 数据等生理数据。 SampEn 在概念上类似于近似熵 (ApEn)，但有以下区别： 1) SampEn 不计算自匹配。 通过在最后一步取对数可以避免使用 log(0) 可能带来的麻烦。 2) SampEn 不像 ApEn 那样依赖数据大小。 比较如上图所示。 此属性使其适用于数据量相对较短的应用程序。 此代码使用与 Fast Approximate Entropy 中相同的矢量化技术，这是同一作者的另一个提交。

网络流量在正常运行的情况下是具有一定的周期性、稳定性的，异常流量会打破这种规律使流量产生异常波动。提出了一种基于NetFlow时间序列滑动窗口检测网络异常的方法，利用时间序列异常发现算法发现网络流量的异常波动从而实现了实时高效的异常流量发现及预警。已经被检测到的网络异常会持续产生预警信息并影响后续的异常检测，为此还提出了两种平抑异常的方法。实验结果表明该方法能够有效地发现网络异常。

主要ARMA模型的建模，参数估计，定阶，时域频域特性

利用R语言对化学浓度读数数据进行时间序列分析，建立了ARMA模型。附有全部代码以及相关数据集。

用于实现时间序列数据建模与预测的LSTM程序(LSTM matlab code for time series modeling and prediction)