精心编写的R语言时间序列模型（主要为Arima模型），程序里我给出了很详细的备注，相信即使是编程小白或者统计小白也可以看懂。内容包含数据集

基于非线性时间序列分析的电力系统负荷预测模型.pdf

时间序列以及卡尔曼滤波在电力系统短期负荷预测中的应用.pdf

基于时间序列线性大数据分析的电力系统潮流计算方法.pdf

Time series analysis and its applications with R examples 时间序列分析及R应用

salesPredict ARIMA模型简介 ARIMA模型提供了基于时间序列理论，对数据进行稳定化处理（AR和MA过程），模型定阶（自动差分过程），参数估计，建立模型，可以进行模型进行检验。在Python中statsmodel提供了完整的的解决方案，包括窗口选择，自动定阶和稳定性检测等等算法。 预测策略 这样的好处是，月上旬和中旬的实际销量可以作为先验知识，提高模型预测的准确率。 环境 Windows 10 Python 3.6.5 依赖包 pip install -r requirements.txt 程序执行 python sales.py 建模过程 预测效果测试 线上预测效果 截至到

Influxdb 时间序列数据库中文文档.pdf 文档为中文，简单易懂，易上手。对influxdb 的相关功能以及用法，语法方面描述的很详细。

2021年自己参赛的Mathorcup挑战赛B题的获奖论文，题目是基于时间序列和神经网络预测团簇的全局最优结构，关键词有时间序列预测模型；BP 神经网络预测模型；蚁群算法；基于信息素更新机制改；进蚁群算法；拟合优度等，欢迎下载和交流！

自相关图是一个平面二维坐标悬垂线图。横坐标表示延迟阶数，纵坐标表示自相关系数 偏自相关图跟自相关图类似， 横坐标表示延迟阶数，纵坐标表示偏自相关系数 自相关图与偏自相关图的python代码实现： from statsmodels.graphics.tsaplots import plot_acf, plot_pacf plot_acf(b.salesVolume) plot_pacf(b.salesVolume) 可以看到，这个数据是偏自相关系数拖尾，自相关系数截尾的数据 补充知识：python 数据相关性可视化 话不多说直接上代码 import matplotlib.pyplot a

该数据集描述包括样本数量、类别数、特征数、时间序列长度，除了Libras数据集的时间序列长度为等长的，其他数据集时间序列长度为不等长。