定性预测、回归预测、时间序列平滑预测、趋势曲线模型预测、季节变动预测、马尔科夫预测、确定型决策、非确定型决策、风险型决策、贝叶斯决策、多目标决策等。通过学习，使学生掌握基本预测理论与方法，培养学生根据实际条件选择并建立模型进行预测与决策的能力

描述： 余弦分析使用最小二乘法将正弦波拟合到时间序列。 余弦分析常用于分析表现出可预测节律的生物时间序列。 这方法可以用于不等间隔的时间序列。 遵循时间序列的余弦分析，如纳尔逊等人。 “余弦节律方法” Chronobiologica。 1979. 请参考参考。 输入： t - 时间序列y - 时间 t 的系列值w - 周期长度，由用户根据时间的先验知识定义系列alpha - 用于置信区间计算的 I 类错误。 通常设置为 0.05，对应于 95% 的置信区间 注意：统计工具箱仅用于计算指定 alpha 处样本数量的 t 和 F 分布。 这些值可以从表中获取并手动插入到代码中，从而否定统计工具箱的使用。

该数据集包括：（1）泾川流域边界数据；（2）1976-2015年10期（包括：1976、1991、1995、2000、2003、2005、2007、2010、2013、2015）土地利用/覆被分布数据。其中，1976年数据分辨率为60 m; 2013、2015年数据分辨率为15 m；其它年份数据分辨率为30 m；(3)1976-1991年、1991-2000年、2000-2015年3期土地利用/覆被类型变化数据。其中，2000-2015年数据分辨率为15 m；其它2期数据分辨率为30 m。数据集存储为.shp和.tif格式，由73个数据文件组成

该数据集包括：（1）泾川流域边界数据；（2）1976-2015年10期（包括：1976、1991、1995、2000、2003、2005、2007、2010、2013、2015）土地利用/覆被分布数据。其中，1976年数据分辨率为60 m; 2013、2015年数据分辨率为15 m；其它年份数据分辨率为30 m；(3)1976-1991年、1991-2000年、2000-2015年3期土地利用/覆被类型变化数据。其中，2000-2015年数据分辨率为15 m；其它2期数据分辨率为30 m。数据集存储为.shp和.tif格式，由73个数据文件组成

时间序列分析与讲解，很好用的。主要包括指数平滑法，ARIMA，季节波动等实用分析。

MATLAB时间序列回归Data_TSReg2数据集

介绍 一维（1D）信号/时间序列数据上的多个SOTA骨干深度神经网络（例如ResNet [1]，ResNeXt [2]，RegNet [3]）的PyTorch实现。 如果您在工作中使用此代码，请引用我们的论文 @inproceedings{hong2020holmes, title={HOLMES: Health OnLine Model Ensemble Serving for Deep Learning Models in Intensive Care Units}, author={Hong, Shenda and Xu, Yanbo and Khare, Alind and Priambada, Satria and Maher, Kevin and Aljiffry, Alaa and Sun, Jimeng and Tumanov, Alexey}, bookt

在（4）部分中包含以下模型： 排队论 神经网络 时间序列ARMA 投影寻踪综合评价 图论Dijkstra模型 图论floyd算法

动态时间规整DTW是一个典型的优化问题，它用满足一定条件的的时间规整函数W(n)描述测试模板和参考模板的时间对应关系，求解两模板匹配时累计距离最小所对应的规整函数。

港口进出口货物吞吐量是反映港口业务状况的重要指标，其准确预测将给港口经营管理人员进行决策提供重要的依据.利用机器翻译领域的Seq2Seq模型，对影响港口进出货物量的多种因素进行建模.Seq2Seq模型可以反映进出口货物量在时间维度上的变化规律，并且可以刻画天气、节假日等外部因素的影响，从而进行精准预测.Seq2Seq模型包含两个由循环神经网络（LSTM）组成的编码器和解码器，能够捕捉长短期时间范围内集装箱变化趋势，可以根据历史进出口货物量预测未来一段时间的货物量信息.在真实的天津港进出口集装箱数据集上进行了实验，结果表明Seq2Seq模型的深度学习预测方法效果优于传统的时间序列模型以及其他现有的机器学习预测模型.