符号化表示是一种有效的时间序列降维技术，其相似性度量是诸多挖掘任务的基础。基于SAX(symbolic aggregate approximation)的距离MINDIST_PAA_iSAX不满足对称性，在时间序列挖掘中具有局限性，提出了对称的度量Sym_PAA_SAX，且下界于欧拉距离。在真实数据集和合成数据集上的实验说明下界紧密性较好，相似搜索错报率较低。

时间序列分析之ARIMA上手-Python-附件资源

多元时间序列之间的传递熵

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

本资源是2019年美国大学生数学竞赛C题M奖论文内含全部的R语言代码。有用的伙伴下载学习交流。 声明：此论文只供自己学习使用，内容切勿用于商用。

时间序列 使用ARIMA和MLP进行时间序列预测

基于长-短期认知网络的风车时间序列在线学习_Online learning of windmill time series using Long Short-term Cognitive Networks.pdf

EvoNet 该项目实现了 [1] 中提出的进化状态图神经网络，这是一种基于 GNN 的时间序列事件预测方法。 兼容性 代码与 tensorflow 版本 1.2.0 和 Pyhton 3.6.2 兼容。 requirements.txt中列出了一些 Python 模块依赖项，可以使用 pip 轻松安装： pip install -r requirements.txt 输入格式 给出了一个示例数据格式，其中数据存储为包含 4 维张量的列表，例如 [number of samples × segment number × segment length × dimension of observation] 配置 我们可以使用./model_core/config.py来设置模型的参数。 class ModelParam(object): # basic mode

时间序列分析-机器学习模型 时间序列分析-未来7个月的飞机乘客预测

14通过对前14年的天气预报数据进行分析，（温度、风速，累计降雨量）预测未来6年的温度、风速和累计降雨量