绝版书！张贤达的精典之作。共有531页。全书共分十三章，内容包 括高阶统计量、非参数化高阶谱分析、因果和非因果非最小相位系统的辨识、 自适应估计和滤波、信号重构、信号检测、谐波恢复、多元时间序列分析、时变 非高斯信号的时频分析、阵列处理、循环平稳时间序列分析以及其它专题（时 延估计、盲反卷积和盲均衡、多维非高斯信号）。

时间序列和NLP的深度学习 有关信息，请参见。

【项目实战】基于Python实现时间序列分析建模(ARIMA模型)项目实战 内容包括： 资料说明：包括数据集+源代码+PDF文档说明+代码视频讲解。 资料内容包括： 1)项目背景； 2)数据收集； 3)数预处理； 4)RBF神经网络半导体刻蚀机故障诊断模型的构建； 5)模型评估； 6)实际应用。

随着软件日新月异的发展和微服务的深入人心，运维越来越受到人们的重视。在大量的运维数据里，最不可忽视的就是各种 KPI、指标数据，它们在数学上都可以被表达为时间序列的形式。在一个大型软件系统里，往往每分钟能产生百万级的时间序列，如何从这些海量数据里发现规律，指导运维并将其智能化，成为了下一代运维中最重要的环节之一。 在本次演讲中，我们将从机器学习的角度分享运维里指标的三大问题：预测、异常检测和根源分析。同时，运维系统里的每个指标并非独立存在，我们将阐述如何能从多 KPI 中挖掘它们的关联去更好地指导系统监控。

tensorflow下用LSTM网络进行时间序列预测，实时多变量预测和对于未来数据的单变量预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。

分段线性时间规整 此存储库包含用于时间扭曲多维时间序列的研究代码。 它是作为以下手稿的一部分开发的，该手稿着重于对大型神经记录的分析（尽管此代码也可以应用于许多其他数据类型）： 。 威廉姆斯AH，普尔B，马埃斯瓦拉纳森N，达瓦勒AK，费舍尔T，威尔逊CD，布兰恩神经元。 105（2）：246-259.e8 该代码适合具有线性或分段线性变形函数的时间变形模型。 这些模型比经典的算法更受约束，因此不太容易过度拟合具有高噪声水平的数据。 这在下面的综合数据中得到了证明。 简而言之，一维时间序列是在多次重复（试验）中测量的，呈现出相似的时间分布，但每次试验均具有随机抖动。 仅对试验进行平均，就无法很好地描述典型的时间序列（底部为红色轨迹）。 线性时间扭曲模型可以识别出更好的原型轨迹（标记为“模板”），同时考虑到每个具有扭曲函数（底部为蓝色到红色线性函数）的时间转换。 右侧显示了基于DTW的非线

AirPassengers数据集有两列，分别是时间和客运流量，数据为从1949-1960年，144个月的旅客数量，可作为时间序列分析方法等的数据集使用

初步预测代码matlab 生态工具 ECOTOOL包含用于识别，验证和预测动态模型的几种例程。 该工具箱包括各种具有可视化支持的探索性，描述性和诊断性统计工具，这些工具以易于使用的图形用户界面设计。 它还结合了复杂的自动程序来进行识别，精确的最大似然估计和离群值检测，可用于文献中提供的许多类型的模型（例如，多季节ARIMA模型，传递函数，指数平滑，不可观测的分量，VARX）。 例如，您可以通过自动识别异常值来估计指数平滑或未观察到的组件模型，这是我以前从未见过的。 您也可以运行具有两个季节（例如每日和每周）的ARIMA模型自动识别… 仅需几行代码，您就可以对时间序列进行全面的分析。 该工具箱提供了深入的文档系统和联机帮助，并且其中包含许多演示，这些演示将指导您完成时间序列建模的过程。 Matlab的ECOTOOL工具箱已发布在PLOS ONE中，您可以在其中找到一些示例以及工具箱概述（）。

论文研究-基于独立成分分析的时间序列谱聚类方法.pdf,  为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.

【lstm预测】基于lstm实现时间序列数据预测matlab.zip