面向临床检验指标的非同步时间序列聚类算法研究.pdf

“时间序列生成对抗网络（TimeGAN）”的代码库 作者：尹成ung，丹尼尔·贾瑞特，米哈埃拉·范德沙尔 参考：Jinsung Yoon，Daniel Jarrett，Mihaela van der Schaar，“时间序列生成对抗网络”，神经信息处理系统（NeurIPS），2019年。 论文链接： : 联络人： 该目录包含使用一个合成数据集和两个真实数据集生成合成时间序列数据的TimeGAN框架的实现。 正弦数据：合成 股票数据： : 能源数据： ： 要运行有关TimeGAN框架的培训和评估的管道，只需运行python3 -m main_timegan.py或在tutorial_timegan.ipynb中查看TimeGAN的jupyter-notebook教程。 注意，任何模型体系结构都可以用作生成器和鉴别器模型，例如RNN或Transformers。 代码说

基于K均值聚类EEMD的CORS高程时间序列信号分析方法.pdf

本测试集10列60行，每列是一组不同特征的时间序列，《用深度森林实现时间序列预测（Python）》这篇文章中用以上数据集进行测试。

MATLAB时间序列回归Data_CreditDefaults数据集

接上文，本文介绍自相关模型（ARIMA）实现单变量多步输出时间序列预测任务。 自相关模型非常简单，能够实现快速、有效地对用电量进行一步或多步预测。本文主要内容如下： 如何创建和分析单变量时间序列数据的自相关图和部分自相关图； 如何使用自相关图的结果来配置一个自回归模型； 如何开发和评估一个自相关模型实现一周用电量预测； 文章目录如何建立多步用电量预测ARIMA模型1. 自回归分析（Autocorrelation Analysis）2. 建立自回归模型3. 完整代码 如何建立多步用电量预测ARIMA模型 关于数据处理部分，请参考前一篇文章，本文会用到上文处理好的数据。 1. 自回归分析（Au

arima的matlab代码个人家庭电力的时间序列预测 日期集： 数据是在 2006 年 12 月至 2010 年 11 月（47 个月）期间以一分钟采样率收集的。 六个自变量（电量和子计量值）一个数值因变量 全球有功功率有 2,075,259 个观测值可用。 我们的目标是预测未来的全球有功功率。 为简单起见，这里删除了缺失值。 此外，我们发现并非所有观察都按日期时间排序。 因此，我们以显式时间戳作为索引来分析数据。 在预处理步骤中，我们对原始数据执行桶平均以减少一分钟采样率的噪声。 为简单起见，我们只关注原始数据集的最后 18000 行（2010 年 11 月的最新数据）。 python文件列表： Gpower_Arima_Main.py ：单变量 ARIMA 模型的可执行Python 程序。 myArima.py ：使用一些用于 ARIMA 模型的可调用方法实现一个类。 Gpower_Xgb_Main.py ：基于树的模型 (xgboost) 的可执行Python 程序。 myXgb.py ：实现一些用于 xgboost 模型的函数。 lstm_Main.py ：LSTM 模型的可

#资源达人分享计划#

时间序列数据分析 R软件应用.pdf

派萨克斯 时间序列数据的SAX（符号聚合近似）的python实现 主意 将时间序列数据转换为符号表示，其中（欧几里得）距离/相似度是符号空间中距离的下限 符号表示可以被视为时间序列的低维度（聚合）表示 可以使用基于符号的算法，例如后缀树、马尔可夫链来分析时间序列 参考 我们为什么要重新实施它？ SAX 对时间序列数据有一定的假设，例如（1）局部高斯，（2）固定频率，（3）实值信号。 我们想探索其他数据的更多可能性 我们想要时间序列片段的向量表示，类似于将单词表示为向量的想法（Google 的 word2vec） 我们需要一个快速的并行实现 去做 例子 sequitur的python包装器 主意 sequitur 将用作 SAX 数据的上下文无关语法提取器 挖掘的规则将用于异常值/主题检测 我们为 python 使用包装了c++ 实现- 所以它现在只是一个快速的解决方法。 参考