时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。 举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等 RNN 和 LSTM 模型 时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计

基于LSTM递归神经网络的番茄目标产量时间序列预测.pdf

节点红色贡献流 节点用于从InfluxDB时间序列数据库写入和查询数据。 这些节点支持使用配置节点中的“版本”组合框选择的InfluxDB 1.x和InfluxDb 2.0数据库。 请参阅不同节点的文档，以了解不同版本提供的选项。 当前，该节点使用两个客户端库。 选择版本1.x时，这些节点将用于node.js，特别是调用writePoints（）和query（）方法。 目前，他们只能与一台influxdb主机通信。 这些节点用于在InfluxDB 1.x到1.8+中写入和查询数据。 选择版本1.8-flux时，节点将使用用于node.js的。 这些节点用于在InfluxDB 1.8+中使用Flux写入和查询数据。 选择2.0版时，节点将使用在InfluxDB 2.0中使用Flux写入和查询数据。 先决条件 要运行此程序，您需要访问InfluxDB数据库版本1.x，1.8 +或2.0

时间序列分析 何书元 北大，这个是非常好的时间序列的书

基于时间序列的股票价格预测及实证分析，刘倩，王晓天，本文对股票市场及股票预测机理与方法都做了有益的探索。在实证分析中，我们选取了白云机场近半年的股票价格作为样本，并且应用SAS

运维 一个Python软件包，用于根据时间序列数据构建和分析顺序分区网络。 依存关系： Python-iGraph（v。0.7.1或更高版本） Numpy（v。1.13.3或更高版本） Scipy（v。1.3.1或更高版本） Itertools 赛顿 安装： 将OPyN下载到您的目标目录。 运行python setup.py install 职能： perm_embedding(ts, dim, lag) 使用嵌入维dim和滞后lag在给定的时间序列（ ts ）上进行置换嵌入。 时间序列必须是dtype为“ double”的一维Numpy数组。 嵌入维度和滞后时间都必须是整数。 OPN(ts, dim, lag) 根据给定的时间序列，嵌入维数和滞后时间构造顺序分区网络。 返回G ，一个Python-iGraph网络以及嵌入式时间序列。 类型约束与置换嵌入函数中的相同。

堆叠ClockWork_RNN 对于时间序列，分为两个部分： 发条递归神经网络的部分自回归，每日时间序列。 刑罚数据部分的相关因素，每季度的时间序列。 用最小二乘法训练体重。 叠加，将两个预测与权重结合在一起。

时间序列预测，时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是;一方面承认事物发展的延续性，运用过去时间序列的数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到偶然因素影响而产生的随机性，为了消除随机波动的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测

时间序列 介绍 时间序列分析包括用于分析时间序列数据以便提取有意义的统计信息和数据的其他特征的方法。 时间序列预测是使用模型根据先前观察到的值预测未来值。 尽管通常采用回归分析的方法来测试一个或多个独立时间序列的当前值会影响另一时间序列的当前值的理论，但这种时间序列分析方法不称为“时间序列分析”，它着重于比较单个时间序列或多个相关时间序列在不同时间点的值。 中断时间序列分析是对单个时间序列的干预措施的分析。 目的 该项目的目的是预测产品的销售。 该代码包含多年数据的可视化效果以及用于时间序列预测的RNN模型以及CustomDataGenerator 参考文献 时间序列“空气质量”分支的参考。 Srinivasan

该代码将计算两个长度不同的时间序列之间的快速交叉（自动）相关性。