时间序列分析 我的教授推荐了这本书。 我昨天读和《 。 两者都以自己的方式很好。 前者要先进得多，并提供一些您可能未曾接触过的想法，而后者则是中级的，但是有一些实际的例子，尽管这些例子有些简单化，而且通常效果平平。 它相当不错，涵盖了很多内容，但是它可以交替使用R和python。 我更喜欢python。 我找到了这并将继续学习。 本课程也使用R。 猜猜我需要学习然后使用R。 但是我计划为此课程制作python版本的注释。 过时的主题 *本书很少介绍TS模型和方法。 主要参考：“”（2017）及其 。 目录 第1章： 不同类型的数据 横截面数据 时间序列数据 面板数据 时间序列的内部结构 总体趋势 季节性 运行序列图 季节性子系列剧情 多箱图 周期性变化 意外的变化 时间序列分析模型 零均值模型 随机漫步 趋势模型 季节性模型 自相关和部分自相关 第2章：了解时间序列数据 时间序

迷你型洗衣机价格便宜,使用方便,近年来销售量不断增加。缺点是功能单一导致消费受众面窄,同时受季节性因素影响较大,企业往往难以准确制定生产销售计划,导致库存和缺货现象时有发生。将合作企业生产的迷你型洗衣机近4年销售数据和影响销售的关联因素作为训练样本,先建立时间序列回归模型和BP神经网络模型对洗衣机销量进行预测,然后建立遗传算法优化的灰色神经预测模型。通过对三种模型预测结果的对比分析,表明经由遗传算法优化参数的灰色神经网络能较好的预测销量未来变化,辅助企业决策订单生产计划。

本文调查了单步和多水平时间序列预测中常用的编码器和解码器设计——描述了时间信息是如何被每个模型纳入预测的。

生成混沌时间序列chens，matlab源代码

利用LSTM深度学习实现的多元时间序列的预测，利用Keras实现

目标 该代码旨在基于三个外部输入来执行时间序列变量的预测。 在时间t拥有外部输入可预测时间t的响应。 在时间t处有输入和响应，在时间t + 1处将有什么响应？ 输出 网络：一个精确的开环浅层网络，能够预测给定的三个外部输入的响应。 有已知数据时，可使用此网络进行验证或评估响应； 例如，您想使用测试集来测试您的网络。 NETC：一个闭环网络来预测在给定在时间t三个外部输入的时间t响应变量; 例如，您测量输入1、2和3，并想知道在时间t处的响应值是多少。 篮网：领先一步。 现在假设在t时刻你有三个输入和响应，你想知道什么是基于在时间t的测量在时间t + 1的下一个响应值。 例如，股票市场； 您今天有交易量，未平仓价，低价和收盘价（响应），而您想知道明天的收盘价（响应）。

MATLAB时间序列回归Data_TSReg3数据集

用EVIEWS处理时间序列分析 arima eviews的具体操作讲解

Hants滤波 对长时间序列的遥感数据进行平滑滤波。适合做时间序列分析，变化分析，物候参数提取等前期数据处理。

赫斯特指数 根据重标范围（R / S）分析计算时间序列的赫斯特指数。 参考： ： 环境 Python 3.6.2 AMD64 numpy的（1.13.3 + MKL） 熊猫（0.20.3） 用户指南 进口赫斯特ts = list（range（50）） hurst = Hurst.hurst（ts） 尖端 输入ts必须是对象列表（n_samples，）或np.array（n_samples，）。