使用以下方法估计Lyapunov指数的混沌时间序列
Rosenstein，Michael T.，James J. Collins和Carlo J. De Luca。 “一种从小数据集计算最大Lyapunov指数的实用方法。” 物理学D：非线性现象65.1（1993）：117-134。
看
2021-10-08 17:18:17
2.19MB
1
以全国卷烟销量数据为例，用R语言进行时间序列分析，分别建立了ARIMA季节时间序列模型、Holtwinters指数平滑模型，对模型进行了准确性评估，附有完整R代码、相关数据集。
2021-10-07 22:33:27
2KB
1
本书详细介绍了时间序列分析方法的理论知识及相应的数学模型，对有兴趣了解该方法的读者比较有用。该方法在金融、经济领域应用很广泛。
2021-10-07 10:57:14
9.24MB
1
Seglearn
Seglearn是用于机器学习时间序列或序列的python软件包。 它提供了用于分割，特征提取，特征处理和最终估计器的集成管道。 Seglearn提供了一种灵活的方法来处理多元时间序列和相关的上下文（元）数据，以进行分类，回归和预测问题。 提供了使用经典机器学习和深度学习模型的学习时间序列的支持和示例。 它与兼容。
文献资料
安装文档，API文档和示例可在找到。
依存关系
seglearn经过测试可在Python 3.5下工作。 依赖关系要求基于最新的scikit-learn版本：
scipy（> = 0.17.0）
numpy（> = 1.11.0）
scikit学习（> = 0.21.3）
此外，要运行示例，您需要：
matplotlib（> = 2.0.0）
神经网络示例的keras（> = 2.1.4）
大熊猫
为了运行测试用例，您需要：
pyt
2021-10-06 22:52:49
11.01MB
1
如果您记录多维时间序列数据并希望查找周期性，则很有用。 此函数查找轨迹与给定平面相交的点。
% P = poincare_map( X [, 平面] ) % 给定 N 维时间序列数据 X， % 找到穿过给定平面的时间序列的点。 % X ( t, variables ) 是随时间演变的 N 维状态的 T x N 矩阵% plane.norm = N-dim 法向量（默认 [1,0,0,0...] % plane.dist = 距原点的距离（默认 0） % 桑杰 G 马诺哈尔 2019
2021-10-05 20:49:52
2KB
1
使用Python简化时间序列
darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 可以使用fit()和predict()函数以相同方式使用所有模型，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 Dart支持单变量和多变量时间序列和模型，神经网络可以训练多个时间序列。
文献资料
高级介绍
安装
我们建议先安装一个干净的Python环境为您的项目至少有Python3.6使用自己喜欢的工具（ ， ， 有或没有 ）。
设置好环境后，您可以使用pip安装Dart：
pip install 'u8darts[all]'
有关更详细的安装说明，请参阅此页面末尾的安装指南。
用法示例
从Pandas DataFrame创建一个TimeSeries对象，并将其拆分为训练/验证系列：
import pandas as pd
from darts import TimeSeries
df = pd . read_csv ( 'AirPassengers.csv' , delimiter
2021-10-04 14:45:50
4.32MB
1
使用小波神经网络方法对时间序列的信号进行预测
2021-10-04 13:00:35
4KB