异常检测风险 在对金融风险度量和收益执行异常检测的5个模型之间的比较。 这些实验是学位项目“投资组合风险管理异常检测”的一部分，可以在Simon_Westerlind_Masters_Thesis.pdf或上找到。 先决条件 安装 。 安装conda要求 conda install --yes --file requirements.txt 安装软件包。 否则，ARMA-GARCH将不起作用。 安装 。 复制存在于./htm中的returns_and_risk文件夹并将其放置在/ nupic / examples / opf / clients /中 跑步 要运行EWMA，ARMA-GARCH，LSTM和HardLimits，请运行 python garch_long.py 在./garch文件夹中。 之后运行 python run.py --plot 可以在/ nupic /

航空公司每月运量时间序列数据

大数据-算法-针对文本和时间序列数据的正例未标注学习算法研究.pdf

将时间序列数据从 mysql 导入 InfluxDB。 安装 如果您使用的是 Debian/Ubuntu，则可以使用以下命令安装依赖项： $ sudo apt-get install python-influxdb $ sudo apt-get install python-mysqldb 如何使用 由于这个项目现在是照相版，所以有很多事情要做。 如果你想尝试这种 phototype，请编辑run的可执行文件以连接到你的 mysql/InfluxDB。

数据集预处理：数据集增强(utils.augment) 特征工程(utils.feature):均值(mean), 均方差(rms), 标准差(std), 偏度(skewness), 峭度(kurtosis), 包络谱最大幅值处频率(maxf), 信号熵(signal_entropy), 信号幅值中位数处概率密度值(am_median_pdf) 分类器训练和保存

DTW:时间序列数据分析

现有的聚类算法在提取用于聚类时间序列数据的平滑子空间方面很弱。 在本文中，我们提出了一种新的k均值类型平滑子空间聚类算法，称为时间序列k均值（TSkmeans），用于对时间序列数据进行聚类。 提出的TSkmeans算法可以有效地利用时间序列数据集的固有子空间信息来增强聚类性能。 更具体地说，平滑子空间由加权时间戳表示，加权时间戳指示这些时间戳对于聚类对象的相对判别力。 我们工作的主要贡献包括设计一个新的目标函数，以指导时间序列数据的聚类，以及开发新颖的更新规则，以针对平滑子空间进行迭代聚类搜索。 基于综合数据集和五个实际数据集，我们的实验结果证实，在诸如Accuracy，Fscore，RandIndex，和正常的共同信息。

近似熵 (ApEn) 是分析时间序列数据复杂性的流行工具，尤其是在临床研究中。 这个函数是 ApEn 的一个非常简单有效的实现，基于向量化概念，它大大提高了 for 循环实现的速度。 它还包含一个测试代码 (foo.m)，用于生成不同模拟时间序列数据的 ApEn 图，以帮助理解用法。 测试代码生成的图类似于 Ki H. Chon 在 2009 年发表于 IEEE Eng in Med Biol 的论文中出现的图，讨论了我们应该使用什么 r 值。

电力需求分析 在时间序列数据集上分析房屋的电力需求。 还使用基于电力需求的 K-Means 聚类创建了电器检测系统。

Bootstrap 是一种强大的技术，可用于获取数据集的置信区间； 然而，在时间序列数据上这样做并不简单。 在这里，我展示了 Bootstrap-t 程序在生物力学中的实现，其中包含来自膝关节矢状面角度的样本数据。