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~

近十年来，研究者分析时间序列数据的方式发生了巨大变化。这本十分必需的书归纳了这一日益重要领域的主要最新进展，并就其现有表述给出了一个单一的一致的表示。汉密尔顿就诸如向量自回归、广义矩方法估计、单位根的经济和统计结果、随时间变化的方差以及非线性时间序列模型等重要创新，首次给出了一本完整的和详细的教科书。另外，汉密尔顿还介绍了动态系统分析的传统工具，如线性表示、自协方差、生成函数、谱分析以及卡尔曼滤子，并介绍了它们在经济理论以及研究并解释真实一世界数据两方面的用途。 本书的目的在于为学生、研究者和预测者提供关于动态系统、经济计量学和时间序列分析方面的概览。从第一个原理开始，汉密尔顿的明析介绍使得新旧进展皆适合于大学一年级学生和非专业人员。另外，时间序列分析从内容的广度和深度上使其成为该领域前沿研究者不可多得的一本参考书。汉密尔顿通过大量的数值例子解释理论结果如何在实践中运用并将大量推导细节放在每章末的数学附录中，以此达到了上述双重目的。本书为该领域的学生和研究者提供了一个路径地图，相信在未来几年内它都会是较权威的指南。 詹姆斯D.汉密尔顿是加利福尼亚大学圣地亚哥分校的经济学教授。他获得了加利福尼亚大学伯克利分校的博士学位，并曾在弗吉尼亚大学