pmdarima Pmdarima（最初为pyramid-arima ，表示“ py” +“ arima”）是一个统计库，旨在填补Python时间序列分析功能中的空白。 这包括： 相当于R的功能 平稳性和季节性统计检验的集合 时间序列实用程序，例如微分和逆微分 大量内生和外生的变形器和特征器，包括Box-Cox和Fourier转换 季节性时间序列分解 交叉验证实用程序 丰富的内置时间序列数据集，用于原型制作和示例 Scikit学习式管道可整合您的估算器并促进生产 Pmdarima在内部隐藏了 ，但设计时使用了熟悉scikit学习背景的用户熟悉的界面。 安装 Pmdarima在pypi上具有Windows，Mac和Linux（ manylinux ）的二进制和源发行版，软件包名称为pmdarima ，可以通过pip下载： $ pip install pmdarima 快速入门示例 在数据集上拟合一个简单的自动ARIMA： import pmdarima as pm from pmdarima . model_selection import train_test_split im

常用统计分析方法 SPSS应用。t检验、相关分析、回归分析、时间序列。

ARX_model 该存储库包含用于时间序列预测模型ARX的python程序。 AX.py和csv_read.py是两个Python文件，用于使用csv文件作为输入来测试AR模型。 ARX_test是用于测试所提出的ARX模型的性能的程序。

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