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）。
2021-09-17 09:39:58
434KB
1
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。
2021-09-16 16:35:52
49.55MB
1
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，）。
2021-09-16 11:27:56
2KB
1
带有Savitzky-Golay过滤器的Google Earth Engine时间序列
该示例显示了如何为要素集合提取图像集合值，如何创建植物索引时间序列数据帧并在其上应用Savitzky-Golay过滤器的示例。
笔记
中实现了此函数的更好版本，作为ee.ImageCollection对象的扩展方法：
import ee , eemont
ee . Authenticate ()
ee . Initialize ()
f1 = ee . Feature ( ee . Geometry . Point ([ 3.984770 , 48.767221 ]). buffer ( 50 ),{ 'ID' : 'A' })
f2 = ee . Feature ( ee . Geometry . Point ([ 4.101367 , 48.748076 ]). buffer ( 50 ),{ '
2021-09-15 21:43:28
2KB
1