svg-时间系列 基于D3.js的SVG时间序列图可以正确达到60 FPS。 平移和缩放比其他基于画布或SVG的图表快得多。 ：1格，2系列1070点 ：5个网格，10个系列的1070点 演示1在台式机，最新的iPhone和顶级Android手机上达到60 FPS。 演示2显示了台式机上的60 FPS，iPhone上约24 FPS，老旧的LG D90上约3 FPS。 相比之下， 库基本上从未达到60 fps。 按住shift尝试在主页上平移他们的演示。 请注意，上面的演示使用了相同的NY vs SF温度数据集。 D3.js似乎很慢：。 但是事实证明，SVG栅格化不是瓶颈。 在该演示中，只有2个问题需要解决，才能达到60 fps： 避免在平移和缩放过程中对网格的SVG线进行额外的属性设置（部分已经在d3轴的HEAD中） 绘制d3.timeout()而不是d3.zoom() ，

sktime-dl：基于TensorFlow的用于深度学习的sktime配套软件包

Python中的简单库存分析 这是使用jupyter和python进行简单股票分析的教程。 股票教程有两个版本。 一个是jupyter版本，另一个是python。 Jupyter还生产jupyter笔记本，以前称为iPython笔记本。 但是，Python是一种解释型高级编程语言。 对于想学习股票分析并想成为量化专家的初学者来说，这非常简单易懂。 此外，本教程适用于希望学习python编码以分析股票市场的人们。 但是，如果您已经了解使用Python进行库存分析或编码，那么这将不适合您。 您可以查看更多高级编码： : 。 顺序是从＃1到＃26。 您首先学习数字1，然后按顺序进行。 完成后，您将知道如何用python编写代码并了解金融和股票市场。 :Japanese_congratulations_button: 先决条件 Python 3.5+ Jupyter笔记本Python 3 依存关系 fix_yahoo_finance或yfinance

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

MATLAB格式的几个常用多变量时序数据集，可以用于分类或者聚类研究。包括ArabicDigits、AUSLAN、CharacterTrajectories、CMUsubject16、ECG、JapaneseVowels、KickvsPunch、Libras、NetFlow、UWave、Wafer、WalkvsRun。数据集来自Mustafa Gokce Baydogan. Multivariate Time Series Classification Datasets.

Deep Time Series Forecasting with Python: An Intuitive Introduction to Deep Learning for Applied Time Series Modeling

The theory and practice of time series analysis have developed rapidly since the appear- ance in 1970 of the seminal work of George E. P. Box and Gwilym M. Jenkins, Time Series Analysis: Forecasting and Control, now available in its third edition (1994) with co-author Gregory C. Reinsel. Many books on time series have appeared since then, but some of them give too little practical application, while others give too little theoretical background. This book attempts to present both application, and theory at a level acces- sible to a wide variety of students and practitioners. Our approach is to mix application and theory throughout the book as they are naturally needed.

使用深度学习进行生存分析 该存储库包含基于贝叶斯深度学习的文章，论文和用于生存分析的存储库。 文件 Rajesh Ranganath，Adler Perotte，David Blei等人进行的深度生存分析。 JMLR 2016 资料来源： : 生存筛选器：Rajesh Ranganath，Adler Perotte，David Blei等人的“潜在时间序列的联合生存分析”。 2015年，阿拉伯联合酋长国资料来源： : DeepSurv：使用Cox比例危害深层神经网络的个性化治疗推荐系统，作者：Jared Katzman，Uri Shaham，Jonathan Bates，Alexander Cloninger，Tingting Jiang，Yuval Kluger。 ACML 2016 资料来源： : 具有竞争风险的生存分析的深层多任务高斯过程，作者：Ahmed M. Alaa

这是一篇在2015年发表的论文，英文题目为Time-series clustering – A decade review。这篇文章作者着重介绍了时序聚类的组成部分，同时也列举出组成部分的各大著名方法

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