使用LSTM和其他算法进行无监督的异常检测 在合成时间序列数据上使用LSTM（长期短期记忆）算法进行无监督的异常检测。 它使用均方误差作为此类数据中离群值的度量。 原始信号，平滑信号和通过MSE进行异常检测的图表。 一些待办事项： Keras（TF后端） 估算真实数据（例如，） PyTorch端口 其他方法： 带有状态转换的有限状态自动机，用于时间序列数据分段（ ） 一类NN（） 待定 参考

基于多项式时间序列预测的动态规划先于检测轨迹的雷达目标检测算法

【Python实战应用案例】-time_series时间序列在Python中的应用源代码+数据

股票价格预测 使用实际数据并实施LSTM和GRU递归网络进行时间序列数据预测来预测公司的股价 在此示例中，它遍历了从2008年至今的亚马逊和特斯拉股价，并为时间序列数据训练了回归模型以预测可能的波动

Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention 使用带有注意力机制的变分自编码器进行能量时间序列数据的无监督异常检测

使用长期短期记忆（LSTM）进行风能预测 有关完整的详细信息，请阅读CSE 523项目报告.pdf。 介绍 由于风速/功率具有可再生性和环境友好性，因此在地球上受到越来越多的关注。 随着全球风电装机容量的Swift增加，风电行业正在发展为大型企业。 可靠的短期风速预测在风能转换系统中起着至关重要的作用，例如风轮机的动态控制和电力系统调度。 精确的预测需要克服由于天气条件波动而导致的可变能源生产问题。 风产生的功率高度依赖于风速。 尽管它是高度非线性的，但风速在特定时间段内遵循特定模式。 我们利用这种时间序列模式来获得有用的信息，并将其用于功率预测。 LSTM用于对数据执行不同的实验并得出结论。 结论 我们的目标是改善对使用风能发电的功率的预测，并且已经实现了将LSTM用作机器学习模型并对其进行模型优化。 我们还观察到，如果风速小于4 m / s，则系统生成的功率为零。 LSTM无法学习这

一个深度回声状态网络工具（matlab），解决了高阶的MSO问题，可根据自己要解决的问题修改generateSample.m，并在TestMSO.m中修改相关参数。具体可参考：延迟深度回声状态网络在时间序列预测中的应用，自动化学报

为了使电梯群控系统更好地跟踪电梯交通流的变化以提高群控系统的性能，提出了基于支持向量回归(Support Vector Regression，SVR)的电梯交通流预测方法。针对电梯交通流时间序列小样本的特性，考虑了电梯交通流的横向和纵向变化趋势，采用SVR算法建立了电梯交通流时间序列的预测模型。给出了预测的评价指标，研究了SVR模型中的参数对预测效果的影响，利用试验寻优的方法确定了SVR预测模型的最优参数。最后，与电梯交通流 RBF神经网络预测模型进行了比较研究，分析了数据样本中波动较大部分的预测效果，结

使用一维卷积神经网络处理序列数据，数据类型为一维

时间序列预测代码matlab 时间序列预测使用深度学习生成数据 该项目研究了在使用不同的人工神经网络（即LSTM和GRU）建模的随机时间模型上可以进行多近的时间序列预测和预测。 给定的数据集包括辐照数据集和发电数据集，该辐照数据集和发电数据集基本上分别包含传感器检测到的辐照度值和电厂所产生的发电量值，单位为（kwh）。 数据集包含对应于从2018年12月到2019年11月的所有12个月的数据，并且在任何给定日期的每15分钟记录一次数据。 该项目的主要目标是找出最合适的ANN架构，以预测从任意一天开始的未来两天（间隔15、30、45、60分钟）的发电数据。 整个项目是通过在matlab中进行编码来完成的。