MotionSense数据集 该数据集包括由加速度计和陀螺仪传感器生成的时间序列数据（高度，重力，用户加速度和rotationRate）。 使用其与iPhone 6s放在参与者的前袋中收集，该可从iOS设备上的框架收集信息。 所有数据以50Hz采样率采集。 共有24位不同性别，年龄，体重和身高的参与者在15个试验中在相同的环境和条件下进行了6项活动：楼下，楼上，步行，慢跑，坐着和站立。 借助该数据集，我们旨在在传感器数据的时间序列中查找个人属性指纹，即可以用于推断数据主体除其活动之外的性别或个性的特定于属性的模式。 时间序列对应于数据主体的步行活动（代码3）。 有12个功能。 一些注意事项： 如果您在此处查看“”，请查看pmc_xxx和tutorial文件夹。 如果您正在训练有关传感器数据的深度神经网络，则可以在以下链接中找到我们的最新工作，这对您的工作很有用： : 下载 MotionSense数据集可公开使用也可以作为备份使用。 还有一个Kaggle版本： ：//www.kaggle.com/malekzadeh/motionsense-dataset 引文 如果您发现

用时间序列建模与预测，文件夹包括文档和程序，数据，用于预测房价。

ARCH-M模型(ARCH均值模型) 前面介绍的ARCH模型通常应用于回归模型，扰动项为ARCH过程。 在实际中，收益率和方差存在一定关系，风险越大，收益越大。 可以把代表风险的方差作为一个因素引入，这就是ARCH-M模型。

目的正确衡量分段算法的优劣，提高自底向上算法的分段精度。方法分析现有分段评价标准存在的不足，综合考虑压缩比和精度，提出相同压缩比下的拟合总误差越小算法相对更优的分段评价标准。通过去除原自底向上算法初始分段两两连接的偶数限制，提出新的自底向上算法。结果测试显示新的评价标准能有效避免错误评判。新的自底向上算法的拟合总误差比现有算法减少了一半以上。结论新的评价标准可以更准确地区分算法的优劣，比现有标准更合理。新的自底向上算法具有更高的精度，整体优于原算法。

矿井涌水量的准确预测对预防矿山透水事故的发生至关重要,提出利用GA优化的SVM模型(GA-SVM)来实现矿井涌水量的短期准确预测。该方法利用GA的自动寻优功能寻找SVM的最佳参数,提高了预测的准确率。首先,利用微熵率法求矿井涌水量时间序列的最佳嵌入维数和延迟时间,进行相空间重构。其次,采集义煤集团千秋煤矿2011—2015年实际涌水量的时间序列,利用GA-SVM模型对最后12组数据进行预测,其预测平均绝对百分比误差仅为0.92%,最大相对误差为2.62%。最后,与PSO-SVM和BP神经网络预测进行对比,结果表明GA-SVM优化模型适用于矿井涌水量的预测并且预测精度较高。

时间序列分析——高阶统计量方法-张贤达.pdf，用到高阶统计量的人可以查看下,共同学习。。12345678901234567890

matlab 小波分析 小波重构，主要用于时间序列分析

时间序列异常检测 该存储库包含Sanket Mishra，Varad Kshirsagar，Rohit Dwivedula和Chittaranjan Hota题为“基于注意力的Bi-LSTM用于时间序列数据异常检测”的论文的开源代码。 型号图 * 提议的模型与现有和先前的最新模型的比较 根据平均F分数： 数据集 我们的模型 深度防盗 工作组 AdVec 天际线 NumentaTM 努门塔 KNN CAD HTM Java 人工无异常 0 0 0 0 0 0 0 0 0 人工的异常 0.402 0.156 0.013 0.017 0.043 0.017 0.012 0.003 0.017 realAdExchange 0.214 0.132 0.026 0.018 0.005 0.035 0.040 0.024 0.034

midasr R软件包提供了处理混合频率数据的计量经济学方法。 该软件包提供了用于估计时间序列MIDAS回归的工具，其中响应和解释变量的频率不同，例如每季度还是每月。 可以对拟合的回归模型进行适当性测试，然后将其用于预测。 更具体地说，可以使用以下主要功能： midas_r使用NLS进行MIDAS回归估计。 midas_nlpr非线性参数MIDAS回归估计。 midas_sp半参数和部分线性MIDAS回归。 midas_qr分位数MIDAS回归。 mls嵌入较低频率的时间序列，用于指定MIDAS模型的灵活功能。 mlsd使用可用的日期信息以较低频率嵌入时间序列。 hAh.test和hAhr.test -MIDAS回归的充分性测试。 forecast -预测MIDAS回归。 midasr_ic_table使用信息标准选择延迟 average_forecast计算加权预测组合

matlab参数建模法代码 名称 Algorithm :: Burg-使用Burg方法外推时间序列 版本 0.001版 概要 描述 该模块使用Burg方法将前向和后向预测误差最小化（最小二乘），同时约束AR参数以满足Levinson-Durbin递归，从而将自回归（AR）模型拟合到输入数据。 免责声明：这是正在进行的工作！ 代码有错误，接口可能会更改。 属性 系数 通过train方法计算出的AR模型多项式系数。 命令 AR模型订单 series_tail 存储的时间序列的最后一项。 方法 火车（$ time_series） 使用适用于输入源数据$time_series Burg算法计算系数向量。 预测（$ n） 预测时间序列的$n下一个值。 如果$n为0或大于0，则假定$n =。 #!/usr/bin/env perl; use strict; use warnings qw(all); use Algorithm::Burg; ...; my $burg = Algorithm::Burg->new(order => 150); $burg->train(\@time_series)