Jupyter中的时间序列预处理工作室：Jupyter笔记本中的时间序列数据预处理Studio

绝对能用，内有具体操作说明文档。注意不是直接运行exe文件，而是先在运行中输出cmd打开命令解释程序，然后按照资源里具体命令操作即可。

这个工具箱由萨克勒意识科学中心开发， 英国萨塞克斯大学提供 MATLAB 例程以实现高效准确多元格兰杰因果关系的估计和统计推断时间序列数据，如下所述： Lionel Barnett 和 Anil K. Seth，“MVGC 多元格兰杰因果关系工具箱： 格兰杰因果推理的新方法”，J. Neurosci. 方法 223 (2014)，第 50-68 页。 对于一般支持问题、评论、问题、错误报告和建议的增强功能， 请发送电子邮件至 mvgctoolbox@sussex.ac.uk。 我们特别想知道您是否有发现该工具箱在您的研究中很有用。

此函数返回时间序列数据的最大相对回撤，以及出现回撤的时期的开始和结束索引。

一个用DBN做时间序列预测的实例，内包括了数据

ds_practical 西门子的数据科学实用项目，用于检测小时间序列数据中的概念漂移

通过数学模型介绍了，非常热门，应用广泛，高大上的一些机器学习模型

数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.

熊猫时间序列数据中的日历热图 Calplot根据熊猫时间序列数据创建热图。 使用绘制每个日历年在热图中按天采样的时间序列数据，类似于GitHub的贡献图。 安装 要使用pip通过PyPI安装最新版本： pip install calplot 用法 有关此库的详细用法，请参阅。 以下示例在中运行。 import calplot import numpy as np ; np . random . seed ( sum ( map ( ord , 'calplot' ))) import pandas as pd all_days = pd . date_range ( '1/1/2019' , periods = 730 , freq = 'D' ) days = np . random . choice ( all_days , 500 ) events = pd . Series

欧几里德法matlab代码Dynamic_Time_Warping 安装：要运行此代码，所有人都需要一个Matlab IDE。 该代码也可以在Octave 4.0中运行 开始：运行main.m。 在main.m文件中更改了参数。 如果需要，请编辑路径变量以更改输入文件的路径。 数据集文件夹中提供了示例od数据。 时间序列数据在此处以4种不同的方式分类，称为任务1-4。 在运行main.m之前，可以在特定的tas调用开始时使用％注释掉这些方法中的任何一种。如果删除了任务，则需要从第24行的结果中删除任务名称。 首先在reShape.m中将数据集划分为功能集和数据标签，然后在deNoise.m中对其进行规范化。 然后使用1-最近邻算法对它们进行分类。 main（）调用classifier（），classifier为每个测试数据调用knn（）。 数据以main.m中定义为Task 1-4的4种不同方式进行比较。 任务1：将数据与简单的欧几里得算法进行比较。 定义于euclid.m 任务2：比较方法是动态时间规整（DTW）。 该算法可以在这里找到。 在任务2中，对扭曲窗口大小w没有限制。 任务