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)

基于混合INAR(p)模型的离散值时间序列统计分析，闵祥晖，荣腾中，本文将离散值时间序列分析中，代表性的Pegram混合算子与Thinning算子模型相结合，拓展了平稳非负整值模型，建立了p阶非负整值混合算子

排列熵matlab程序代码libordpat 版本 0.1.0 版权所有 (c) 2019，塞巴斯蒂安·伯格。 Berger S, Kravtsiv A, Schneider G, Jordan D. 向计算机教授序数模式。 熵。 2019 年； 21（10）：1023。 0. 更改日志 版本 0.1.0 这是初始版本。 一、简介 这是libordpat [1]，一个跨平台软件库，用于从时间序列中提取和编码序数模式 [2]。 它已成功测试可在Windows 、 macOS和GNU/Linux 上运行。 如果出现这种需求，它也可以轻松移植到其他平台。 除了作为 C 函数库之外， libordpat还可以在MATLAB以及GNU Octave和NumPy/Python 中使用。 1.1. 序数模式 实数 m 元组 (x[1], x[2], ..., x[m]) 的序数模式描述了元组元素如何在位置和值方面相互关联。 例如，对于自然数元组 (17, 7, 8) 来说， “有三个元素，第一个最大，第二个最小” 。 因此，它的序数模式可以用一个等级元组 (3, 1, 2) 来表示。 它的长度 m

时间序列异常检测：深度学习方法评估。 该存储库的目标是为多种最新深度学习方法的时间序列数据异常检测提供基准测试管道。 实施算法 名称 纸 LSTM-AD ，ESANN 2015 LSTM-ED ，ICML 2016 自动编码器 ，DaWaK 2002 甜甜圈 ，WWW 2018 REBM ，ICML 2016 达格 ，ICLR 2018 LSTM-DAGMM 使用 -Autoencoder而不是神经网络自动编码器扩展 用法 git clone git://github.com/KDD-OpenSource/DeepADoTS.git virtualenv venv -

该文件中包含GNSS坐标时间序列QOCA（Quasi-observation Combination Analysis）软件mload模块的简介（英文版）包括驱动文件中各参数的释义from QOCA online tutor

2.自回归过程的自相关函数 (1) 平稳AR(1)过程的自相关函数 xt =  xt-1 + ut ,   1 其自相关函数为 k = 1k , （k  0） * *

lstm学习资料，可以使用，效果较好，希望满意

论文研究-基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例.pdf,  针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况, 本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中, 充分利用相关技术优势, 设计了动态混沌神经网络时间序列预测模型. 在此基础上, 选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象, 对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试, 并用统计分析方法对模型性能进行评价与分析, 最后, 将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究. 结果显示: 整个动态混沌神经网络结构为27-12-1, 所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势, 这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.