2011 哈工 博 基于回声状态网络的非线性时间序列预测方法研究

此例程计算时间序列 x 和时间序列 y 之间的全局小波相干性，其中全局相干性测量两个时间序列之间作为频率（或周期）函数的关系。 使用蒙特卡罗方法针对红噪声背景计算统计显着性。 在使用此功能之前，用户应下载 A. Grinsted 编写的代码，可从http://noc.ac.uk/using-science/crosswavelet-wavelet-coherence获得。 可以在以下参考资料中找到全局一致性的应用： Justin A. Schulte、Raymond G. Najjar、Ming Li，气候模式对美国中大西洋地区水流的影响，水文学杂志：区域研究，第 5 卷，2016 年 3 月，第 80-99 页，ISSN 2214-5818， http: //dx.doi.org/10.1016/j.ejrh.2015.11.003。

Pytorch Forecasting旨在通过神经网络简化实际案例和研究中的时间序列预测。 具体来说，该软件包提供了有关“迈向数据科学”的文章，介绍了该软件包并提供了背景信息。 Pytorch Forecasting旨在通过神经网络简化实际案例和研究中的时间序列预测。 具体来说，该软件包提供了一个时间序列数据集类，该类抽象了处理变量转换，缺失值，随机子采样，多个历史记录长度等的基础模型。基本模型类提供了时间序列模型的基本训练以及登录tensorboa

MATLAB时间序列回归Data_TSReg4数据集

使用VAR模型和复杂网络测度对多变量时间序列进行因果分析

时间序列分类被用于各种应用程序，导致许多用于时间序列分析的数据挖掘技术的发展。 在广泛的时间序列分类算法中，最近的研究正在考虑深度学习方法对时间序列分类任务的影响。 相关出版物的数量需要文献计量研究来探索最突出的关键词、国家、来源和研究集群。 论文对2010-2019年Scopus数据库中时间序列分类相关文献进行文献计量分析，通过关键词共现分析，生成时间序列分类研究热门关键词的可视化网络结构，并进行深度学习通过对书目进行额外查询，已将其引入为最常见的主题。 该论文继续探索最近用于时间序列分类的深度学习方法的发表趋势。 研究期间的文献计量分析揭示了每年的出版物数量、生产和合作国家、来源增长率、出现最多的关键词和研究合作。 研究领域已分为三大类，即深度神经网络的不同框架、遥感中的不同应用以及时间序列分类任务的信号处理。 定性分析通过详细描述突出引用率最高的论文类别。

基于python (pycharm)，arcgis的netcdf转tiff并完成栅格统计与时间序列运算初始代码(无详细注释，有绝对路径，有潜在错误)，代码面向CRUTS4.02气象时间序列数据进行转换与分析计算，因作者很忙，未能按计划全部完成，目前实现时间序列转换、序列均值、距平等功能，年内年际变化率、多变量相关分析等后续功能亟待完善。示例数据较大无法上传，请到原始网站下载 http://www.cru.uea.ac.uk/data/ ，代码中使用的为气温tmp数据(cru_ts4.02.2011.2017.tmp.dat.nc)。如有疑问，请私信，作者收到将尽快回复。作者不承担代码使用带来的任何责任。下载请谨慎，评论请友善。

LSTM构建使用Keras Python包来预测时间序列步骤和序列。 包括正弦波和股票市场数据

[R 时间序列和预测方法

包括陈强《高级计量经济学及Stata应用》(第2版)pdf书籍以及相关数据、课件和勘误+王燕《应用时间序列分析》，感兴趣的朋友们可以下载查看~