基于卷积神经网络-双向长短期记忆网络(CNN-BILSTM)多维时间序列预测，CNN-BILSTM回归预测，MATLAB代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于注意力机制attention结合长短期记忆网络LSTM多维时间序列预测，LSTM-Attention回归预测，多输入单输出模型。 运行环境MATLAB版本为2020b及其以上。 评价指标包括:R2、MAE、MSE、RMSE等，代码质量极高，方便学习和替换数据。

基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

麻雀算法(SSA)优化长短期记忆神经网络的数据多变量时间序列预测，SSA-LSTM多维时间序列预测。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks（LSNet）

分段线性时间规整 此存储库包含用于时间扭曲多维时间序列的研究代码。 它是作为以下手稿的一部分开发的，该手稿着重于对大型神经记录的分析（尽管此代码也可以应用于许多其他数据类型）： 。 威廉姆斯AH，普尔B，马埃斯瓦拉纳森N，达瓦勒AK，费舍尔T，威尔逊CD，布兰恩神经元。 105（2）：246-259.e8 该代码适合具有线性或分段线性变形函数的时间变形模型。 这些模型比经典的算法更受约束，因此不太容易过度拟合具有高噪声水平的数据。 这在下面的综合数据中得到了证明。 简而言之，一维时间序列是在多次重复（试验）中测量的，呈现出相似的时间分布，但每次试验均具有随机抖动。 仅对试验进行平均，就无法很好地描述典型的时间序列（底部为红色轨迹）。 线性时间扭曲模型可以识别出更好的原型轨迹（标记为“模板”），同时考虑到每个具有扭曲函数（底部为蓝色到红色线性函数）的时间转换。 右侧显示了基于DTW的非线

概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C

如果您记录多维时间序列数据并希望查找周期性，则很有用。 此函数查找轨迹与给定平面相交的点。 % P = poincare_map( X [, 平面] ) % 给定 N 维时间序列数据 X， % 找到穿过给定平面的时间序列的点。 % X ( t, variables ) 是随时间演变的 N 维状态的 T x N 矩阵% plane.norm = N-dim 法向量（默认 [1,0,0,0...] % plane.dist = 距原点的距离（默认 0） % 桑杰 G 马诺哈尔 2019

# 多维时间序列工具箱 - mdtsTooblox 这个工具箱实现了处理多维时间序列的类和方法，即多元时间序列。 目标是支持数据分析师处理和操作数据。 因此，他可以专注于数据本身，而不必关心数据处理。 此外，此工具箱实现了用于符号时间序列处理的工具和类。 核心组件 (mdtsObject) 的文档可以在 Documentation/mdtsToolboxDocu.pdf 中找到。 可以在文档/IntroductionToUseMDTSObjects_V1.pdf 中找到简短的介绍（操作方法）。 ## 依赖要获得完整功能，需要以下工具箱： * **Matlab-graphics**： https : //de.mathworks.com/matlabcentral/fileexchange/71412-matlab-graphics * **Matlab-general**： ht