基于优化回声状态网络的混沌时间序列预测

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。

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

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

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

使用小波神经网络方法对时间序列的信号进行预测

Yule-Walker方程组 在 方程等号两边同时乘以 ，并取期望，得 取前k个方程构成的方程组即Yule-Walker方程组 解Yule-Walker方程组可以得到参数 的解，最后一个参数的解即为延迟K偏自相关系数

提供一个函数，该函数返回给定 Chua 参数输入的 I3、V2、V1 时间序列。 还给出了一个使用这个 Chua 函数的示例 GUI。

使用R语言进行简单的股票分析、描述性统计分析，对其中的一项参数进行时间序列分析，并且对两支股票进行比较，程序简单易懂，里面包含数据集

多元时间序列的变量变化通常是模糊的，不关注任何特定的时间点。 因此，定义段的清晰边界是不切实际的。 虽然模糊聚类算法被广泛用于对重叠和模糊的对象进行分组，但它们不能直接应用于时间序列分割，因为聚类需要在时间上是连续的。 本文提出了一种用于同时识别局部概率主成分分析 (PPCA) 模型的聚类算法，该模型用于测量片段的同质性，以及用于及时表示片段的模糊集。 该算法有利于时间上的连续集群，并且能够检测多元时间序列隐藏结构的变化。 已经制定了基于簇的兼容性标准的模糊决策算法来确定所需的段数，而所需的主成分数由模糊协方差矩阵的特征值的screeplots确定。 应用实例表明，这种新技术是分析历史过程数据的有用工具。 该技术还描述于： J. Abonyi、B. Feil、S. Nemeth、P. Arva，用于多元时间序列模糊分割的修正 Gath-Geva 聚类，模糊集和系统 149 (2005)