EDA和ML项目 存储库包含各种项目，这些项目都使用R语言编写了以下代码： 探索性数据分析 机器学习模型（线性回归，逻辑回归，k均值聚类，分层聚类，SVM，决策树，随机森林，时间序列分析，XGBoost） 以下是一些常用的程序包/库的列表，这些程序包/库被用作数据分析和构建机器学习模型的一部分 数据处理： dplyr，plyr，tidyr，stringer，data.table，lubridate（用于日期处理）， 数据可视化： ggplot2，cowplot，ggthemes，比例 ML模型： randomForest，caret（用于数据拆分，交叉验证，预处理，特征选择，变量重要性估计等） 推荐模型： re荐 文本挖掘： tm，tidyverse

条件最小二乘估计 实际中最常用的参数估计方法 假设条件 残差平方和方程 解法 迭代法

关于 Series2GAF可用于将时间序列转换为Gramian角场。 Series2GAF中有许多有用的实用程序功能可用于金融研究，并将在以下各节中进行介绍。 系列2GAF 简单的时间序列编码包，专注于财务任务。 这是一个简单的示例： import numpy as np from series2gaf import GenerateGAF # create a random sequence with 200 numbers # all numbers are in the range of 50.0 to 150.0 random_series = np . random . uniform ( low = 50.0 , high = 150.0 , size = ( 200 ,)) # set parameters timeSeries = list ( random_ser

Spark时间序列（ spark-ts包） 一个Scala / Java / Python库，用于与Apache Spark上的时间序列数据进行交互。 向发布问题和评论，或将其直接通过发送至 。 注意：spark-ts库不再由我（Sandy）积极开发。 不幸的是，我不再有带宽来开发功能，回答邮件列表中的所有问题或解决所有已提交的错误。 就是说，我仍然很乐意审查拉取请求，并尽我所能来帮助其他人推进图书馆。 可在上找到文档。 或者查看 ， 或 。 目的是提供 一组用于处理大型时间序列数据集的抽象，类似于为 ， 和R的和包中的较小数据集提供的抽象。 可以从统计角度处理时间序列的模型，测试和函数，类似于以及各种Matlab和R软件包中提供的内容。 该库位于其他一些出色的Java和Scala库上。 为NumPy的状，BLAS，能够线性代数。 用于日期和时间。 用于常规数学和统计功

TimeSat是一款很不错的时间序列滤波软件，非常专业，集高斯滤波，S-G滤波等滤波方法与一身，在提取植被物候参数方面有着很好的应用，需要的朋友欢迎前来下载使用。 timesat使用说明 timesat输出的图像如何打开 解决方案1： 简写为TIFF) 是一种主要用来存储包括照片和艺术图在内的图像的文件格式。 标签图像文件格式(Tagged Image File Format, : 。它最初由

乘客预测使用时间序列分析：我使用时间序列分析来预测公交车站乘客的行为和方式，数据可视化包括时间序列图

实验一：离散时间序列卷积和MATLAB实现 题一：令x(n)= ，h(n)＝ ，y(n)=x(n)*h(n)，求y(n)。 要求用subplot和stem画出x(n),h(n),y(n)与n的离散序列图形。 题二：已知序列 f1(k)= f2(k)= 调用conv()函数求上述两序列的卷积和 题三：编写计算两离散序列卷积和f(k)=f1(k)*f2(k)的实用函数dconv().要求该程序在计算出卷积和f(k)的同时，还绘出序列f1(k),f2(k)和f(k)的时域波形图，并返回f(k)的非零样值点的对应向量。 function[f,k]=dconv(f1,f2,k1,k2) %f1(k),f2(k)及f(k)的对应序号向量分别为k1，k2和k。 题四：试用MATLAB计算如下所示序列f1(k)与f2(k)的卷积和f(k)，绘出它们的时域波形，并说明序列f1(k)与f2(k)的时域宽度与序列f(k)的时域宽度的关系。提示：可用上述dconv()的函数来解决。 f1(k)= f2(k)= 题五：已知某LTI离散系统，其单位响应h(k)=e(k)-e(k-4)，求该系统在激励为f(k)=e(k)-e(k-3)时的零状态响应，并绘出其时域波形图。 提示：可用dconv()的函数来解决。

pyts：用于时间序列分类的Python包 pyts是用于时间序列分类的Python软件包。 它旨在通过提供预处理和实用工具以及最新算法的实现，使时间序列分类易于访问。 这些算法大多数都会转换时间序列，因此pyts提供了多种工具来执行这些转换。 安装 依存关系 pyts要求： Python（> = 3.6） NumPy（> = 1.17.5） SciPy（> = 1.3.0） Scikit-Learn（> = 0.22.1） Joblib（> = 0.12） Numba（> = 0.48.0） 要运行示例，需要Matplotlib（> = 2.0.0）。 用户安装 如果您已经可以正常安装numpy，scipy，scikit-learn，joblib和numba，则可以使用pip轻松安装pyts。 pip install pyts 或conda经由conda-forge通道 conda install -c conda-forge pyts 您还可以通过克隆存储库来获取最新版本的pyts git clone https://github.com/johannfaouzi

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

TSMOM 时间序列动量策略 在该项目中，实施了各种时间序列动量策略。 然后，使用来自期货合约的历史数据来分析基于这些策略的投资组合的绩效特征（例如回报，波动率，周转率，交易成本等）。 以下图是使用pyfolio（ ）生成的