告密者：用于长序列时间序列预测的超越高效变压器（AAAI'21最佳论文） 这是以下文章中Informer的原始Pytorch实现： 。 特别感谢 Jieqi Peng @ 建立此存储库。 :triangular_flag: 新闻（2021年2月22日）：我们提供了供友好使用。 :triangular_flag: 新闻（2021年2月8日）：我们的线人论文被授予！ 我们将继续进行这方面的研究，并对此仓库进行更新。 如果您发现我们的工作对您有帮助，请加注该回购并引用我们的论文。 图1. Informer的体系结构。 稀疏注意 自我注意分数形成一个长尾分布，其中“活动”查询位于“头”分数中，而“懒惰”查询位于“尾”区域中。 我们设计了ProbSparse Attention以选择“活动”查询而不是“惰性”查询。 带有Top-u查询的ProbSparse Attention通过概率分布形成了一个稀疏的Transformer。 Why not us

时间序列聚类以及动态时间规整（DTW）距离的优化 具有各种策略的时间序列聚类以及针对动态时间规整（DTW）距离及其对应的下限（LB）的一系列优化。 既有传统聚类算法的实现，也有更新的过程，例如k-Shape和TADPole聚类。 使用自定义距离度量和质心定义可以轻松扩展功能。 此软件包中实现的许多算法都是专门为DTW量身定制的，因此得名。 但是，主要的聚类功能很灵活，因此可以直接使用时间序列或通过应用适当的转换，然后在结果空间中进行聚类，来测试许多不同的聚类方法。 软件包中包含的其他实现为DTW提供了一些替代方案。 想要查询更多的信息： （附录中带有示例） 实作 分区，层次和模糊聚类 k形聚类 基于形状的距离 时间序列的形状提取 TADPole聚类 DTW的优化版本 Keogh和Lemire的DTW下限 全局对齐内核（GAK）距离 DTW重心平均 软DTW（距离和质心） 一些多变量支

时间序列分析 经典教材 The fourth edition of this popular graduate textbook, like its predecessors, presents a balanced and comprehensive treatment of both time and frequency domain methods with accompanying theory. Numerous examples using nontrivial data illustrate solutions to problems such as discovering natural and anthropogenic climate change, evaluating pain perception experiments using functional magnetic resonance imaging, and monitoring a nuclear test ban treaty. The book is designed as a textbook for graduate level students in the physical, biological, and social sciences and as a graduate level text in statistics. Some parts may also serve as an undergraduate introductory course. Theory and methodology are separated to allow presentations on different levels. In addition to coverage of classical methods of time series regression, ARIMA models, spectral analysis and state-space models, the text includes modern developments including categorical time series analysis, multivariate spectral methods, long memory series, nonlinear models, resampling techniques, GARCH models, ARMAX models, stochastic volatility, wavelets, and Markov chain Monte Carlo integration methods. This edition includes R code for each numerical example in addition to Appendix R, which provides a reference for the data sets and R scripts used in the text in addition to a tutorial on basic R commands and R time series. An additional file is available on the book’s website for download, making all the data sets and scripts easy to load into R.

网格-时空多维网格数据的信息学 Riley Hales开发了一个Python工具，用于从多维数据数组中提取时间序列子集，这是杨百翰大学土木与环境工程硕士学位论文的一部分。

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

GluonTS-Python中的概率时间序列建模 GluonTS是一个用于概率时间序列建模的Python工具包，它围绕构建。 GluonTS提供了用于加载和迭代时间序列数据集，准备好进行培训的最新模型以及用于定义自己的模型并快速尝试不同解决方案的构建基块的实用程序。 安装 GluonTS需要Python 3.6，最简单的安装方法是通过pip ： pip install --upgrade mxnet~=1.7 gluonts Dockerfiles 可以在文件夹中找到与Amazon Sagemaker兼容的 。 快速入门指南 这个简单的示例说明了如何从GluonTS训练一些数据的模型，然后使用它进行预测。 第一步，我们需要收集一些数据：在本示例中，我们将使用提及AMZN标记符号的大量推文。 import pandas as pd url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv" df = pd . read_csv ( url

时间序列分析 非常有趣的时间序列机器学习模型 这主要集中在使用表格数据集的时间序列分析上。 探索性数据分析（EDA）包含： 每日，每月和每年的销售额 使用Qunatile方法查找数据的异常值 平稳计算，自相关函数（ACF）和偏相关函数（PACF） 我用于时间序列分析的模型 ARIMA，SARIMAX 线性回归 随机森林回归 决策树回归器 梯度提升回归器 Ada Boost回归器 XG加速 K邻居回归器 支持向量回归 LSTM

Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

se

本代码是使用lstm进行时间序列预测，能够很清晰的说明如何使用lstm(Time series prediction using LSTM)