goNfCollector:一套收集和分析Netflow并将其导出到许多数据库和应用程序的工具，例如InfluxDB时间序列数据

G-P 算法同时求关联维和Kolmogorov熵 (输入时间序列数据) Contents.m CorrelationIntegral.dll LM2.p LorenzData.dll Main_KolmogorovEntropy_GP.m

利用Matlab造波，给定JONSWAP（J谱）的谱峰周期和有效波高，生成不规则波序列，其他峰形参数等为默认值，可以在函数中自行修改。同时输入参数数目可变，自行调整输出波列的长度。实现类似于海浪实验室推波板所需的“造波文件”的生成

学习时间序列的概念，从传统的技术到最前沿的技术。这本书用全面的例子清楚地说明了时间序列数据的统计方法和分析方法及其在现实世界中的应用。所有的代码都可以在Jupyter中找到。 您将从回顾时间序列的基础知识、时间序列数据的结构、预处理以及如何通过数据争论来构建这些特性开始。接下来，您将使用statmodels和pmdarima等趋势框架来研究传统的时间序列技术，如ARMA、SARIMAX、VAR和VARMA。 该书还解释了使用sktime构建分类模型，并涵盖了先进的基于深度学习的技术，如ANN, CNN, RNN, LSTM, GRU和Autoencoder，以解决使用Tensorflow的时间序列问题。最后介绍了时间序列分析建模的流行框架fbprophet。在使用Python阅读了Hands -On Time Series Analysis之后，您将能够在行业中应用这些新技术，如石油和天然气、机器人、制造业、政府、银行、零售、医疗保健等。 你将学习: 解释时间序列高级概念的基础知识 如何设计、开发、培训和验证时间序列方法 什么是平滑，ARMA, ARIMA, SARIMA,S

1011序列发生器与检测器[归类].pdf

计算机软件-商业源码-152 获取Audio-CD的序列号.zip

timeseries-lstm-keras：基于Jason Brownlee教程，在Keras中使用LSTM递归神经网络在Python中进行时间序列预测

探索空中交通流时间序列的多重分形特征有助于理解时间序列中的自相似性和相关性，从而有助于深入了解空中交通流的演变机理和规则模式，从而有助于发展有效的空中交通流量管理措施。 利用多元分形趋势波动分析方法，我们确定了北京首都国际机场2017年夏季的总量，到达和起飞空中交通流量时间序列在对应分频以下的尺度上具有多重分形性，并且其主要原因是多重分形的特征是大小波动的远距离相关性。 在时间序列的多重分形上进行的比较表明，总的和到达的空中交通流分别具有最强和最弱的多重分形，而离场的空中交通流介于两者之间。 比较结果还表明，总的和到达的空中交通流量对大的波动不敏感，以小波动为主导，而出发的空中交通流量对小波动不敏感，并且以大波动为主导。 此外，对雷暴季节和非雷暴季节的时间序列的多重分形特征的调查表明，雷暴季节对总空中交通流量的影响最大，并且在多重分形性方面存在显着的本质差异。雷暴季节前后的总空中交通流量。 对于到达的空中交通流量，极端波动率仅存在差异，而对于出发的空中交通流量，除了数量上的一些差异外，本质上没有差异。

序列化转储器 一种转储和重建Java序列化流和Java RMI数据包内容的工具，其可读性更高。 该工具不会反序列化流（即，不实例化流中的对象），因此它不需要访问流*中使用的类。 开发该工具是为了在花费大量时间手动解码原始序列化流以调试代码之后，支持对Java反序列化漏洞的研究！ 下载已构建并准备从此处运行的v1.11： : *有关更多详细信息，请参见下面的“限制”部分。 更新19/12/2018： SerializationDumper现在支持重建序列化流，因此您可以将Java序列化流转储到文本文件，修改十六进制或字符串值，然后将文本文件转换回二进制序列化流。 有关此示例，请参见下面的“”部分。 建造 运行build.sh或build.bat可以从最新资源中编译JAR。 用法 SerializationDumper可以在命令行上以十六进制编码的字节，文件中或包含原始序列化数据

深度学习在时空序列预测中的应用综述