现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。

Matlab代码sqrt ICSS 通过迭代累积平方和（ICSS）算法（Matlab代码）检测时间序列的方差变化点 描述 有关详细信息，请检查平方的累加和用于追溯检测方差的变化。 例子 clear clc D_star=1.358; global a; global cp; global num_of_cp; a=randn(700,1); a(391:517)=a(391:517)*sqrt(0.365); a(518:700)=a(518:700)*sqrt(1.033); num_of_cp=0; cp=[]; cpt_var( D_star );

matplotlib库是一个用于创建出版质量图表的桌面绘图包（2D绘图库），是Python中最基本的可视化工具。这篇文章主要介绍了Python时间序列可视化实现,需要的朋友可以参考下

它通过将原始数据转换到频域、在整个时间序列中同时随机化相位并将数据转换回时域来创建与原始时间序列数据集具有相同二阶属性的替代数据块。

这是一本基于神经网络深度学习的资料，用来研究时间序列情况下的特征提取，适合有专业背景的人学习。

PyRQA 一般信息 PyRQA是一种进行循环定量分析（RQA）并使用OpenCL框架以大规模并行方式创建循环图的工具。 它旨在有效地处理由数十万个数据点组成的很长的时间序列。 PyRQA支持以下RQA度量的计算： - Recurrence Rate (RR) - Determinism (DET) - Average diagonal line length (L) - Longest diagonal line (L_max) - Divergence (DIV) - Entropy diagonal lines (L_entr) - Laminarity (LAM) - Trapping time (TT) - Longest vertical line (V_max) - Entropy vertical lines (V_entr) - Average white verti

该工具使用混合学习算法实现了模糊神经网络的 Takagi-Sugeno-Kang (TSK) 模型。 该应用程序专为预测时间序列而设计，但为其他应用程序提供了基本 TSK 类。 存档包含美国 GDP 的数据示例（文件 example_data_usa_gdp.txt） 有关更多信息，请参阅 tsk_readme.txt。 对于任何支持邮件 dmtlevin@gmail.com

SPSS 统计分析方法及应用（SPSS数据文件的建立和管理、SPSS数据的预处理、SPSS基本统计分析、SPSS的参数检验、SPSS的方差分析、SPSS的非参数检验、SPSS的信度分析、SPSS的对数线性模型、SPSS的时间序列分析）

代码运行效果图见压缩包

代码运行效果图见压缩包