PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD7 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。

9.1 SPSS在因子分析中的应用 （6）旋转后的因子载荷矩阵 下表中显示了实施因子旋转后的载荷矩阵。可以看到，第一主因子 在“交通和通信”和“医疗保健”等五个指标上具有较大的载荷系 数，第二主因子在“居住”和“衣着”指标上系数较大，而第三主因 子在“杂项商品与服务”上的系数 大。此时，各个因子的含义更加 突出。

PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD3 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。

一种改进的基于序列到序列框架的知识图谱问答方法，刘彦志，程祥，知识图谱问答系统能根据图谱中的结构化知识回答自然语言问题。在知识图谱问答系统中，将自然语言问句映射为结构化查询语句是关键

pytorch采用LSTM实现文本翻译，序列到序列学习Seq2Seq，数据集为Multi30k，从德语（de）翻译到英语(en)，有编码层和解码层。

为解决泊位占有率的预测精度随步长增加而下降的问题，提出了一种基于注意力机制的泊位占有率预测模型。通过卷积神经网络获得多变量的时间模式信息作为模型的注意力机制。通过对模型训练、学习特征信息，并对相关性高的序列分配较大的学习权重，来实现解码器输出高度相关的有用特征预测目标序列。应用多个停车场数据集对模型进行测试，测试结果及对比分析表明，所提模型在步长达到 36 时对泊位占有率的预测数据能较好地估计真实值，预测精度和稳定性相比LSTM均有提高。

FILM的长期时间序列预测（Python完整源码和数据） FILM的长期时间序列预测（Python完整源码和数据） FILM的长期时间序列预测（Python完整源码和数据） FILM：用于长期时间序列预测的模型 涵盖五个实际应用：能源、交通、经济、天气和疾病。

基于DSN(动态稀疏网络)的时间序列分类（Python完整源码和数据） 基于DSN(动态稀疏网络)的时间序列分类（Python完整源码和数据） 基于DSN(动态稀疏网络)的时间序列分类（Python完整源码和数据） DSN 动态稀疏网络 时间序列 时间序列分类

用matlab编写程序，生成ZC序列，画出自相关函数与循环自相关函数

用MATLAB编写的一个8级m序列，并实现了调频序列的提取和频率的选择，能显示出跳频图案！