销售_预测 基于kaggle数据集的时间序列分析和预测项目。 在这个项目中，我使用了从指数平滑和ARIMA模型到Facebook的Prophet库的最新预测技术，以便预测俄罗斯公司的未来销售利润。 数据集来自Kaggle.com。 使用RMSE在模型一步预测和实际值之间分析了模型的性能。 表现最好的模型是Prophet，然后是三重指数平滑模型。 找到最佳绩效模型之后，我将其用于预测公司中各个商店的未来利润。 结果可以在sales_plots文件夹中找到； 它们采用交互式可绘制HTML文件的形式。 这些文件无法由GitHub显示，因此我在此处保留了一些文件预览的链接：

ctrip 携程出行产品销量预测比赛（第十名） 技术解决方案及代码

简单但高效的代码，可根据整个数据系列或使用可变统计边界移动窗口部分提供异常值去除。 还允许用平均值替换异常值。

时间序列的AR模型，采用matlab编写

除了计算基本统计量和质量参数（例如均值和方差）外，该软件还可以导入和可视化不同的标准时间序列格式，确定并消除跳跃和离群值，并生成数字和出版物质量的图形输出。 双变量统计分析（包括相关系数和线性回归）和时间序列分析（包括自动和互谱分析，小波功率谱，频谱图和周期性）构成了该软件的主要分析功能。

Y = EXPSMOOTH( X, FS, TAU ) 给定输入序列 X（列向量），以 FS 赫兹采样，返回指数平滑的输出序列 Y。指数平滑器的时间常数（以毫秒为单位）在 TAU 中指定。 如果 X 是矩阵，则对 X 的列向量进行平滑处理并作为 Y 的列向量返回。 如需进一步的帮助，包括 MATLAB 中的示例用法类型“help expsmooth”。

针对现有模糊信息粒化方法构建的高层信息粒不能完全包含底层数据信息、预测时间范围受限等问题,提出了一种插值梯形模糊信息粒化方法来预测瓦斯浓度趋势。对原始瓦斯浓度时间序列进行离散化形成若干子序列,计算每个子序列窗口的最大值与最小值形成梯形上沿的边界,通过对每个子序列窗口数据进行插值计算,形成新的瓦斯浓度时间序列窗口,对新的瓦斯浓度时间序列窗口采用数据遍历寻优的方式计算梯形下沿的边界,进而形成瓦斯浓度粒化区间序列。针对现有评价方法无法准确评价信息粒化效果的问题,提出了一种基于权值的粒化评价方法,通过加权均方根误差对粒化效果进行整体评价。实验结果表明,通过该方法对信息进行粒化的效果明显优于现有模糊粒化方法,并且粒化效果不随粒化窗口的增大而减小,具有较高的稳定性与鲁棒性。

EVIEWS时间序列实验指导，包括具体上机操作步骤，案例分析

一本教科书上面的代码 很不错的，对于做时间序列的朋友赶紧下载吧

tf2_lstm 使用tensorflow 2.0 rc1在LSTM上进行试验。 使用来自实际油井的每日生产数据。