通过状态空间方法的时间序列分析

实用的时间序列分析 这是出版的《 的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 时间序列分析使我们能够分析一段时间内的某些数据并了解数据随时间变化的模式，这本书将使您了解时间序列分析背后的逻辑并将其应用于各个领域，包括财务，业务和社交媒体。 说明和导航 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟应用程序名称。 例如，Chapter02。 该代码将如下所示： import os import pandas as pd %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns 您将需要Anaconda Python发行版来运行本书中的示例，并编写自己的Python程序以进行时间序列分析。 可从免费下载。 本书的代码示例是使用Jupyter Noteb

系统的（由于要用到的知识多，因此只能是大略介绍，不可能详细）。 下面是我看过的觉得比较好的几本： 230《数学建模与数学实验.第 3 版》赵静, 但琦主编 231《数学建模及其基础知识详解》王文波编著 232《数学建模方法及其应用》韩中庚编著 233《数学建模》Maurice D. Weir, (美) William P. Fox 著 二十一、“数学史”

时间序列（time series）是一组按照时间发生先后顺序进行排列的离散序列，是日常生活中最常见的数据形式之一。对时间序列的分析是既是统计学中的重要问题，也是人工智能、数据挖掘的一个重要应用方向。 本课程面向人工智能学院的本科生和研究生，重点关注统计学中分析时间序列的基本思路、模型以及方法。同时强调使用人工智能技术对时序数据这一种特殊的数据类型进行分析，也关注使用“时间序列分析”中的思路看待和解决人工智能领域的实际问题。 课程内容将从时间序列的发展历程、平稳性、经典分析模型等概念先后推进。课程中也会介绍人工智能的相关技术，如使用循环神经网络进行时间序列的建模，或使用时间序列中的自回归、指数平均思想建模机器学习、计算机视觉的重要问题。

matlab交叉检验代码用于在时间中查找结构的代码模块：可视化和分析行为时间序列 这是一个github存储库，其中包含五个Matlab代码模块，以及本文中介绍的示例示例“在时间中发现结构：可视化和分析行为时间序列” 。 是纸。 这些代码模块旨在帮助具有不同程度编程技能的行为研究人员解释和分析高密度多模式行为数据。 这五个模块包括： 循序渐进的“编程基础”教程，向新手程序员介绍常见的行为时间序列数据以及导入和操作这些数据所必需的脚本。 它还提供用于在所有模块之间使用通用数据格式来回转换数据的脚本，以方便修改模块材料以与用户数据一起使用， 脚本以可视化原始行为时间序列， 描述时间事件分布结构的脚本：突发性计算。 这是一种量化事件发生时间规律性的方法（Goh＆Barabási，2008）， 脚本以交叉递归定量分析（CRQA）来表征多个时间尺度上的非线性动力学（Zbilut，Giuliani和Webber，1998年）， 脚本来量化一组相互依赖的多峰行为变量之间的方向关系，格兰杰因果关系，格兰杰，1969年； Bressler＆Seth，2011年）。 五个模块相互补充，但每个模块都是独立的。

非线性时间序列分析 Nonlinear time series analysis Holger Kantz，Max Planck Institute for Physics of Complex Systems， Dresden Thomas Schreiber，Physics Department ，University of Wuppertal

acycle：Acycle：用于研究和教育的时间序列分析软件

图灵原版数学统计学系列02 时间序列分析 预测与控制 Time Series Analysis -- Forecasting and Control, 3rd Edition

时间序列是一段时间内的一系列观察结果xt。通常情况下，观测可以在整个时间间隔内进行，在一个时间间隔或固定的时间点随机采样。不同类型的时间采样需要不同的数据分析方法。

学习时间序列的概念，从传统的技术到最前沿的技术。这本书用全面的例子清楚地说明了时间序列数据的统计方法和分析方法及其在现实世界中的应用。所有的代码都可以在Jupyter中找到。 您将从回顾时间序列的基础知识、时间序列数据的结构、预处理以及如何通过数据争论来构建这些特性开始。接下来，您将使用statmodels和pmdarima等趋势框架来研究传统的时间序列技术，如ARMA、SARIMAX、VAR和VARMA。 该书还解释了使用sktime构建分类模型，并涵盖了先进的基于深度学习的技术，如ANN, CNN, RNN, LSTM, GRU和Autoencoder，以解决使用Tensorflow的时间序列问题。最后介绍了时间序列分析建模的流行框架fbprophet。在使用Python阅读了Hands -On Time Series Analysis之后，您将能够在行业中应用这些新技术，如石油和天然气、机器人、制造业、政府、银行、零售、医疗保健等。 你将学习: 解释时间序列高级概念的基础知识 如何设计、开发、培训和验证时间序列方法 什么是平滑，ARMA, ARIMA, SARIMA,S