使用LSTM和其他算法进行无监督的异常检测 在合成时间序列数据上使用LSTM（长期短期记忆）算法进行无监督的异常检测。 它使用均方误差作为此类数据中离群值的度量。 原始信号，平滑信号和通过MSE进行异常检测的图表。 一些待办事项： Keras（TF后端） 估算真实数据（例如，） PyTorch端口 其他方法： 带有状态转换的有限状态自动机，用于时间序列数据分段（ ） 一类NN（） 待定 参考

股票价格预测 使用实际数据并实施LSTM和GRU递归网络进行时间序列数据预测来预测公司的股价 在此示例中，它遍历了从2008年至今的亚马逊和特斯拉股价，并为时间序列数据训练了回归模型以预测可能的波动

使用一维卷积神经网络处理序列数据，数据类型为一维

MotionSense数据集 该数据集包括由加速度计和陀螺仪传感器生成的时间序列数据（高度，重力，用户加速度和rotationRate）。 使用其与iPhone 6s放在参与者的前袋中收集，该可从iOS设备上的框架收集信息。 所有数据以50Hz采样率采集。 共有24位不同性别，年龄，体重和身高的参与者在15个试验中在相同的环境和条件下进行了6项活动：楼下，楼上，步行，慢跑，坐着和站立。 借助该数据集，我们旨在在传感器数据的时间序列中查找个人属性指纹，即可以用于推断数据主体除其活动之外的性别或个性的特定于属性的模式。 时间序列对应于数据主体的步行活动（代码3）。 有12个功能。 一些注意事项： 如果您在此处查看“”，请查看pmc_xxx和tutorial文件夹。 如果您正在训练有关传感器数据的深度神经网络，则可以在以下链接中找到我们的最新工作，这对您的工作很有用： : 下载 MotionSense数据集可公开使用也可以作为备份使用。 还有一个Kaggle版本： ：//www.kaggle.com/malekzadeh/motionsense-dataset 引文 如果您发现

时间序列异常检测 该存储库包含Sanket Mishra，Varad Kshirsagar，Rohit Dwivedula和Chittaranjan Hota题为“基于注意力的Bi-LSTM用于时间序列数据异常检测”的论文的开源代码。 型号图 * 提议的模型与现有和先前的最新模型的比较 根据平均F分数： 数据集 我们的模型 深度防盗 工作组 AdVec 天际线 NumentaTM 努门塔 KNN CAD HTM Java 人工无异常 0 0 0 0 0 0 0 0 0 人工的异常 0.402 0.156 0.013 0.017 0.043 0.017 0.012 0.003 0.017 realAdExchange 0.214 0.132 0.026 0.018 0.005 0.035 0.040 0.024 0.034

midasr R软件包提供了处理混合频率数据的计量经济学方法。 该软件包提供了用于估计时间序列MIDAS回归的工具，其中响应和解释变量的频率不同，例如每季度还是每月。 可以对拟合的回归模型进行适当性测试，然后将其用于预测。 更具体地说，可以使用以下主要功能： midas_r使用NLS进行MIDAS回归估计。 midas_nlpr非线性参数MIDAS回归估计。 midas_sp半参数和部分线性MIDAS回归。 midas_qr分位数MIDAS回归。 mls嵌入较低频率的时间序列，用于指定MIDAS模型的灵活功能。 mlsd使用可用的日期信息以较低频率嵌入时间序列。 hAh.test和hAhr.test -MIDAS回归的充分性测试。 forecast -预测MIDAS回归。 midasr_ic_table使用信息标准选择延迟 average_forecast计算加权预测组合

运维 一个Python软件包，用于根据时间序列数据构建和分析顺序分区网络。 依存关系： Python-iGraph（v。0.7.1或更高版本） Numpy（v。1.13.3或更高版本） Scipy（v。1.3.1或更高版本） Itertools 赛顿 安装： 将OPyN下载到您的目标目录。 运行python setup.py install 职能： perm_embedding(ts, dim, lag) 使用嵌入维dim和滞后lag在给定的时间序列（ ts ）上进行置换嵌入。 时间序列必须是dtype为“ double”的一维Numpy数组。 嵌入维度和滞后时间都必须是整数。 OPN(ts, dim, lag) 根据给定的时间序列，嵌入维数和滞后时间构造顺序分区网络。 返回G ，一个Python-iGraph网络以及嵌入式时间序列。 类型约束与置换嵌入函数中的相同。

我发现分享的数据都是80k那种一部分的。先现在上传 最新版本的，800k完整版

NLM 是一种基于补丁的方法，它是瞬态保留的。 在心电图中，这意味着可以保留信号峰值，同时抑制其他高频噪声。 参见“ECG 信号的非局部方式去噪”，B. Tracey 和 E. Miller，IEEE Transactions on Biomedical Engineering，第 59 卷，第 9 期，2012 年 9 月，第 2383-2386 页。

时间序列和NLP的深度学习 有关信息，请参见。