随着软件日新月异的发展和微服务的深入人心，运维越来越受到人们的重视。在大量的运维数据里，最不可忽视的就是各种 KPI、指标数据，它们在数学上都可以被表达为时间序列的形式。在一个大型软件系统里，往往每分钟能产生百万级的时间序列，如何从这些海量数据里发现规律，指导运维并将其智能化，成为了下一代运维中最重要的环节之一。 在本次演讲中，我们将从机器学习的角度分享运维里指标的三大问题：预测、异常检测和根源分析。同时，运维系统里的每个指标并非独立存在，我们将阐述如何能从多 KPI 中挖掘它们的关联去更好地指导系统监控。

tensorflow下用LSTM网络进行时间序列预测，实时多变量预测和对于未来数据的单变量预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。

分段线性时间规整 此存储库包含用于时间扭曲多维时间序列的研究代码。 它是作为以下手稿的一部分开发的，该手稿着重于对大型神经记录的分析（尽管此代码也可以应用于许多其他数据类型）： 。 威廉姆斯AH，普尔B，马埃斯瓦拉纳森N，达瓦勒AK，费舍尔T，威尔逊CD，布兰恩神经元。 105（2）：246-259.e8 该代码适合具有线性或分段线性变形函数的时间变形模型。 这些模型比经典的算法更受约束，因此不太容易过度拟合具有高噪声水平的数据。 这在下面的综合数据中得到了证明。 简而言之，一维时间序列是在多次重复（试验）中测量的，呈现出相似的时间分布，但每次试验均具有随机抖动。 仅对试验进行平均，就无法很好地描述典型的时间序列（底部为红色轨迹）。 线性时间扭曲模型可以识别出更好的原型轨迹（标记为“模板”），同时考虑到每个具有扭曲函数（底部为蓝色到红色线性函数）的时间转换。 右侧显示了基于DTW的非线

AirPassengers数据集有两列，分别是时间和客运流量，数据为从1949-1960年，144个月的旅客数量，可作为时间序列分析方法等的数据集使用

初步预测代码matlab 生态工具 ECOTOOL包含用于识别，验证和预测动态模型的几种例程。 该工具箱包括各种具有可视化支持的探索性，描述性和诊断性统计工具，这些工具以易于使用的图形用户界面设计。 它还结合了复杂的自动程序来进行识别，精确的最大似然估计和离群值检测，可用于文献中提供的许多类型的模型（例如，多季节ARIMA模型，传递函数，指数平滑，不可观测的分量，VARX）。 例如，您可以通过自动识别异常值来估计指数平滑或未观察到的组件模型，这是我以前从未见过的。 您也可以运行具有两个季节（例如每日和每周）的ARIMA模型自动识别… 仅需几行代码，您就可以对时间序列进行全面的分析。 该工具箱提供了深入的文档系统和联机帮助，并且其中包含许多演示，这些演示将指导您完成时间序列建模的过程。 Matlab的ECOTOOL工具箱已发布在PLOS ONE中，您可以在其中找到一些示例以及工具箱概述（）。

论文研究-基于独立成分分析的时间序列谱聚类方法.pdf,  为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.

【lstm预测】基于lstm实现时间序列数据预测matlab.zip

1.数据获取 import pandas as pd import datetime import pandas_datareader.data as web import matplotlib.pyplot as plt import seaborn as sns from statsmodels.tsa.arima_model import ARIMA from statsmodels.graphics.tsaplots import plot_acf, plot_pacf #可以适用接口从雅虎获取股票数据 start=datetime.datetime(2000,1,1) end=da

matlab内含BP、RBF、Elman神经网络等模型，用于时间序列预测，比较基础，应用简单，比较容易上手。

MatrixProfile MatrixProfile是Matrix Profile Foundation为您提供的Python 3库，用于挖掘时间序列数据。 Matrix Profile是一种新颖的数据结构，具有由UC-Riverside的Keogh和Mueen研究小组和新墨西哥大学开发的相应算法（踩踏，体制，主题等）。 该库的目的是通过标准化核心概念，简化的API和合理的默认参数值，使新手和专家都可以使用这些算法。 除了此Python库之外，Matrix Profile Foundation还提供了其他语言的实现。 这些语言具有相当一致的API，使您可以轻松地在它们之间进行切换，而无需花费大量学习时间。 tsmp -R实现 go-matrixprofile -Golang实现 Python支持 当前，我们支持以下版本的Python： 3.5 3.6 3.7 3.8 3