异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

这是由美联储经济数据库（FRED）托管的美联储数据集。有关每个文件的更多详细信息，请参见各个文件的说明。 industrial-production-business-equipment_metadata.json industrial-production-consumer-goods_metadata.json industrial-production-durable-consumer-goods_metadata.json industrial-production-durable-goods-raw-steel_metadata.json industrial-production-durable-manufacturing-motor-vehicles-and-parts_metadata.json industrial-production-durable-materials_metadata.json industrial-production-electric-and-gas-utilities_metadata.json industrial-production-electric-and-gas-utilities_metadata_1.json industrial-production-final-products-and-nonindustrial-supplies_metadata.json industrial-production-final-products-market-group_metadata.json industrial-production-fuels_metadata.json industrial-production-manufacturing-naics_metadata.json industrial-production-manufacturing-naics_metadata_1.json industrial-production-manufacturing-sic_metadata.json industrial-production-materials_metadata.json industrial-production-mining_metadata.json industrial-production-mining-crude-oil_metadata.json industrial-production-nondurable-consumer-goods_metadata.json industrial-production-nondurable-materials_metadata.json industrial-production-residential-utilities_metadata.json industrial-production-total-index_metadata.json IPB50001N.csv IPB51222S.csv IPBUSEQ.csv IPCONGD.csv IPDCONGD.csv IPDMAT.csv IPFINAL.csv IPFPNSS.csv IPFUELS.csv IPG2211A2N.csv IPG3361T3S.csv IPG211111CN.csv IPGMFN.csv IPMAN.csv IPMANSICS.csv IPMAT.csv IPMINE.csv IPN3311A2RN.csv IPNCONGD.csv IPNMAT.csv IPUTIL.csv

罗斯·曼·卡格 使用监督学习模型和时间序列分析，可以预测Rossmann药店的未来6周销售情况。 应用了所有数据科学步骤，包括数据清理，探索性数据分析，数据准备，创建机器学习模型，性能分析（MAE，MAPE，RMSE）以及使用Flask和Heroku部署到云中。

英文经典，SPSS中ARIMA算法的两个参考文献之一，ARIMA时间序列分析建模必备。附djvu格式阅读器。

经典的David R. Brillinger的时间序列分析和理论，傅里叶变换、功率谱分析、循环平稳特性分析都囊括其中

超级商店时间序列数据集。超市购买的时间序列数据，可以训练和测试您的模型。 superstore_test.csv test_result.csv superstore_train.csv

销售_预测 基于kaggle数据集的时间序列分析和预测项目。 在这个项目中，我使用了从指数平滑和ARIMA模型到Facebook的Prophet库的最新预测技术，以便预测俄罗斯公司的未来销售利润。 数据集来自Kaggle.com。 使用RMSE在模型一步预测和实际值之间分析了模型的性能。 表现最好的模型是Prophet，然后是三重指数平滑模型。 找到最佳绩效模型之后，我将其用于预测公司中各个商店的未来利润。 结果可以在sales_plots文件夹中找到； 它们采用交互式可绘制HTML文件的形式。 这些文件无法由GitHub显示，因此我在此处保留了一些文件预览的链接：

对于公司来说，要想实现持续发展，准确预测客户流失至关重要。 先前的研究已经使用许多机器学习方法来预测客户流失。 通用模型无法充分利用时间序列功能。 为了克服这个缺点，我们提出了一个基于LSTM和CNN的模型，该模型在LSTM层和卷积层之间具有跨层连接。 该模型可以同时学习潜在的顺序信息，并从时间序列特征中捕获重要的局部特征。 此外，我们介绍了一种通过在现有特征上训练XGBoost模型来构造新特征的方法。 在真实数据集上的实验结果表明，我们提出的模型比其他比较模型具有更好的性能。

除了计算基本统计量和质量参数（例如均值和方差）外，该软件还可以导入和可视化不同的标准时间序列格式，确定并消除跳跃和离群值，并生成数字和出版物质量的图形输出。 双变量统计分析（包括相关系数和线性回归）和时间序列分析（包括自动和互谱分析，小波功率谱，频谱图和周期性）构成了该软件的主要分析功能。

重击 用于计算符号互信息和熵的符号传递的Python模块