《Neural Networks for Time Series Forecasting with R》，2017年新出书籍，深度学习用于时间序列

Time-series-forecasting-via-deep-reinforcement-learning

Arauto 用于时间序列实验和预测的交互式工具 Arauto是一个开源框架，旨在简化建模和实验时间序列分析和预测的过程。 Arauto提供了一个直观的交互式界面，可以使用自回归模型（AR，ARMA，ARIMA，SARIMA，ARIMAX和SARIMAX）探索模型的不同参数。 越来越多的估计器和算法正在研究中。 关于Arauto的博客文章 Arauto在Towards Data Science的Medium博客上得到了推荐。 。 特征 支持外源回归变量（独立变量） 季节性分解可让您了解数据的趋势，季节性和残差 使用增强Dickey-Fuller检验的平稳性检验 自定义数据转换的平稳性：您可以使用从一阶差异到季节性日志来转换数据 ACF （自相关函数）和PACF （偏相关函数）用于项估计 自定义ARIMA术语或让Arauto根据您的数据选择最适合您的 网格搜索功能可进行参数调整 代码生成

有三种方法（1、2 和 3 [反向传播]）来预测时间序列。 这是一组 MATLAB 编程、屏幕短片、给出结果的 Fig 文件。 按照文件中的注释运行程序

Deep Time Series Forecasting with Python: An Intuitive Introduction to Deep Learning for Applied Time Series Modeling

销售_预测 基于kaggle数据集的时间序列分析和预测项目。 在这个项目中，我使用了从指数平滑和ARIMA模型到Facebook的Prophet库的最新预测技术，以便预测俄罗斯公司的未来销售利润。 数据集来自Kaggle.com。 使用RMSE在模型一步预测和实际值之间分析了模型的性能。 表现最好的模型是Prophet，然后是三重指数平滑模型。 找到最佳绩效模型之后，我将其用于预测公司中各个商店的未来利润。 结果可以在sales_plots文件夹中找到； 它们采用交互式可绘制HTML文件的形式。 这些文件无法由GitHub显示，因此我在此处保留了一些文件预览的链接：

时间序列预测代码matlab 时间序列预测使用深度学习生成数据 该项目研究了在使用不同的人工神经网络（即LSTM和GRU）建模的随机时间模型上可以进行多近的时间序列预测和预测。 给定的数据集包括辐照数据集和发电数据集，该辐照数据集和发电数据集基本上分别包含传感器检测到的辐照度值和电厂所产生的发电量值，单位为（kwh）。 数据集包含对应于从2018年12月到2019年11月的所有12个月的数据，并且在任何给定日期的每15分钟记录一次数据。 该项目的主要目标是找出最合适的ANN架构，以预测从任意一天开始的未来两天（间隔15、30、45、60分钟）的发电数据。 整个项目是通过在matlab中进行编码来完成的。

Time series analysis: forecasting and control 4th edition

Introduction to Time Series Forecasting with Python.zip Python时间序列预测简介 课程代码

使用Python简化时间序列 darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 可以使用fit()和predict()函数以相同方式使用所有模型，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 Dart支持单变量和多变量时间序列和模型，神经网络可以训练多个时间序列。 文献资料 高级介绍 安装 我们建议先安装一个干净的Python环境为您的项目至少有Python3.6使用自己喜欢的工具（ ， ， 有或没有 ）。 设置好环境后，您可以使用pip安装Dart： pip install 'u8darts[all]' 有关更详细的安装说明，请参阅此页面末尾的安装指南。 用法示例 从Pandas DataFrame创建一个TimeSeries对象，并将其拆分为训练/验证系列： import pandas as pd from darts import TimeSeries df = pd . read_csv ( 'AirPassengers.csv' , delimiter