时间序列预测调查 该项目的目的是使用新颖的机器学习方法改进对时间序列的预测，并将其向前推进几步，以便更好地预测异常值，例如资产负债表上的异常。 安装 将此存储库克隆或下载到您的计算机。 安装Jupyter Lab（ pip install jupyterlab ）。 cd到存储库的目录。 使用以下命令启动Jupyter Lab： jupyter lab 。 笔记本可以在Jupyter Lab窗口中打开并运行。 所需的数据很轻，因此已经包含在此存储库中。

通过状态空间方法的时间序列分析

扩散卷积循环神经网络：数据驱动的交通预测 这是以下论文中Diffusion Convolutional Recurrent Neural Network的TensorFlow实现： Yaguang Li、Rose Yu、Cyrus Shahabi、Yan Liu，，ICLR 2018。 要求 scipy>=0.19.0 numpy>=1.12.1 熊猫>=0.19.2 皮亚尔 统计模型 张量流>=1.3.0 可以使用以下命令安装依赖项： pip install -r requirements.txt 数据准备 洛杉矶（METR-LA）和湾区（PEMS-BAY）的交通数据文件，即metr-la.h5和pems-bay.h5 ，可以在或，需要放入data/文件夹。 *.h5文件使用HDF5文件格式将数据存储在panads.DataFrame 。 下面是一个例子： 传感器_0 传

2018 UCR Time Series Classification Archive(UCI时间序列数据集，共包含128个数），可用于时间序列分类任务，解压密码为 someone

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。

贝叶斯先知 先知温度模型的贝叶斯优化，具有每日和每年的季节性以及额外的回归系数 如果您喜欢BayesianProphet，请给它加星号，或拨叉并作出贡献！ 先知分解显示了趋势以及英国剑桥温度观测的年度和每日季节性： 安装/使用 必需的： 最新版本的 包 程序包 包 要安装python软件包： pip install -r requirements.txt 安装以上依赖项后， 克隆存储库并在Jupyter的本地安装中打开笔记本，或 远程尝试笔记本 -可编辑 -可编辑 在上 在查看 细节 有关数据（包括清洁），基线模型，每日和每年的季节性描述以及R先知模型的详细说明，请参阅我的时间序列和R资料库中有关Cambridge UK温度预测的其他模型。 假设和限制已包含在上述存储库中，此处不再赘述。 我的剑桥大学计算机实验室气象站R Shiny存储库中提供了其他探索性数据分析。 我的主

GKT 本文。 GKT的体系结构如下： 设置 要运行此代码，您需要以下内容： 配备GPU的机器 python3 numpy，pandas，scipy，scikit-learn和火炬程序包： pip3 install numpy==1.17.4 pandas==1.1.2 scipy==1.5.2 scikit-learn==0.23.2 torch==1.4.0 请注意，不要使用0.23.4版本的熊猫，因为在processing.py文件中执行以下命令时，它将导致错误。 df.groupby('user_id', axis=0).apply(get_data) 如果您使用“ assistment_test15.csv”文件进行测试，则在pandas 0.23.4版本中，经过groupby用户后，它将返回16名学生。 但是，如果您在1.x版本中使用熊猫，它将返回15名学生。 （此

时间序列分析预测小工具。自回归模型分析，卡尔曼滤波自回归模型，AIC, BIC, FPE, MDL, SBC, CAT, PHI自回归模型检验。The TSA toolbox is useful for analysing Time Series. - Stochastic Signal processing - Autoregressive Model Identification - adaptive autoregressive modelling using Kalman filtering - multivariate autoregressive modelling - maximum entropy spectral estimation - matched (inverse) filter design - Histogram analysis - Calcution of the entropy of a time series - Non-linear analysis (3rd order statistics) - Test for UnitCircle- and Hurwitz- Polynomials - multiple signal processing - Several criteria (AIC, BIC, FPE, MDL, SBC, CAT, PHI) for model order selection an autoregressive model are included. - Fast algorithms are used - missing values (encoded as NaN's) are considered