黄土时间序列的季节性分解 Seasonal-Trend-Loess（STL）算法将时间序列分解为季节，趋势和残差成分。 该算法使用（ 为原始论文）来平滑循环子序列（例如，下例中所示的CO 2数据中的所有January值）。 从信号中去除季节性之后，对余数进行平滑处理（分多个步骤）以找到趋势。 重复此过程，并可能包括利用Loess的加权最小二乘法基础进行的鲁棒性迭代，以消除异常值的影响。 详细信息在进行了描述。 stl-decomp-4j是可从获得的原始Ratfor / Fortran的Java端口（为；也包含在examples/StlPerfTest/fortran_benchmark ），已扩展为支持局部二次插值。 stl-decomp-4j期望间隔均匀的数据且没有缺失值，类似于原始的Fortran版本（以及和版本，它们都在后台使用原始的Fortran版本）。 查看了解TODO等。

tsmoothie 一个用于以向量化方式进行时间序列平滑和离群值检测的python库。 总览 tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。 可用的平滑技术是： 指数平滑 具有各种窗口类型（常量，汉宁，汉明，巴特利特，布莱克曼）的卷积平滑 使用傅立叶变换进行频谱平滑 多项式平滑 各种样条平滑（线性，三次，自然三次） 高斯平滑 Binner平滑 低价 各种季节性分解平滑（卷积，最低，自然三次样条） 带有可自定义组件（水平，趋势，季节性，长期季节性）的卡尔曼平滑 tsmoothie提供了平滑处理结果的间隔计算。 这对于识别时间序列中的异常值和异常可能很有用。 关于使用的平滑方法，可用的间隔类型为： sigma间隔 置信区间 预测间隔 卡尔曼区间 tsmoothie可以执行滑动平滑方法来模拟在线使用。 可以将时间序列分成相等大小的片段，并分别进行平滑处理。 与往常一样，此功能通过WindowWrapper类以矢量化方式实现。 tsmoothie可以通过BootstrappingWrapper类操作时序引导程序。 支持的引导程序算法为： 没有重叠的块引导

模型时间集合 使用Modeltime进行时间序列预测的集成算法 一个modeltime扩展，它实现了集成预测方法，包括模型平均，加权平均和堆栈。 安装 安装CRAN版本： install.packages( " modeltime.ensemble " ) 或者，安装开发版本： remotes :: install_github( " business-science/modeltime.ensemble " ) 入门 ：了解使用Modeltime进行预测的基础知识。 ：了解Modeltime集成模型的预测基础。 在几分钟内使您的第一支乐团 加载以下库。 library( tidymodels ) library( modeltime ) library( modeltime.ensemble ) library( tidyverse ) library( timetk ) 第

分析神经时间序列 2021年1月更新：我将清理现有文件，更新为python3，并在有时间的时候完成其余章节。 要求：Python> = 3.6，numpy> = 1.15，scipy> = 1.5，matplotlib> = 3.2，scikit-image> = 0.17 分析神经时间序列（2012）的Python（Jupyter笔记本）实现。 迈克·科恩（Mike Cohen）撰写的《分析神经时间序列》是一本很棒的书，专为处理连续神经数据的神经科学家撰写。 尽管看起来这本书主要是为脑电图分析而写的，但我发现书中的主题很容易翻译成需要连续数据信号处理的任何领域。 每章介绍一种新技术，重点放在概念而不是严格的数学上，甚至在每章末尾都有摘要，并在本文的“方法”部分中介绍了如何描述分析的技巧。 如果有什么问题，请告诉我。 去做： 第6章清理 第9章清理 第10章清理 第11章清

timeseries-lstm-keras：基于Jason Brownlee教程，在Keras中使用LSTM递归神经网络在Python中进行时间序列预测

GMTSAR使用sentinel-1数据与GACOS大气校正进行SBAS计算

Python中的简单库存分析 这是使用jupyter和python进行简单股票分析的教程。 股票教程有两个版本。 一个是jupyter版本，另一个是python。 Jupyter还生产jupyter笔记本，以前称为iPython笔记本。 但是，Python是一种解释型高级编程语言。 对于想学习股票分析并想成为量化专家的初学者来说，这非常简单易懂。 此外，本教程适用于希望学习python编码以分析股票市场的人们。 但是，如果您已经了解使用Python进行库存分析或编码，那么这将不适合您。 您可以查看更多高级编码： : 。 顺序是从＃1到＃26。 您首先学习数字1，然后按顺序进行。 完成后，您将知道如何用python编写代码并了解金融和股票市场。 :Japanese_congratulations_button: 先决条件 Python 3.5+ Jupyter笔记本Python 3 依存关系 fix_yahoo_finance或yfinance

时间序列主题跟踪器 使用LDA的时间序列主题跟踪 输入：文件和日期 输出：主题和该主题中文档的时间序列

颜色分类leetcode 时间序列聚类 时间序列聚类是一项无监督学习任务，旨在将未标记的时间序列对象划分为同质的组/集群。 与其他集群中的时间序列相比，同一集群中的时间序列彼此更相似 该算法能够： 识别跨序列的联合动态 消除序列间的滞后（时移）（通常称为滞后不变性） 生成可解释的特征。 一般来说，时间序列聚类算法有两种类型： 基于特征- 使用特征提取转换原始数据，在生成的特征之上运行聚类 基于原始数据- 直接应用于时间序列向量，无需任何空间变换 变分循环自动编码器 (VRAE) VRAE 是一种基于特征的时间序列聚类算法，因为基于原始数据的方法受到维数灾难的影响，并且对嘈杂的输入数据很敏感。 中间的瓶颈层将作为整个输入时间序列的特征表示。 建筑学 网络 从这里开始，RNN 指的是循环神经网络架构，即 LSTM/GRU 块。 我们的模型主要由四个块组成 编码器：输入向量序列被馈送到 RNN，最后一个隐藏层h_end从 RNN 中提取并传递到下一层 编码器到潜在层： h_end通过使用线性层映射到均值和标准差 给定均值和标准差。 偏差，在训练期间执行重新参数化。 这实质上意味着从由其均值和

多尺度（样本）熵分析（MSE） 该代码的基础来自PhysioNet软件库（请参阅和 ）。 介绍了使用样本熵（SampEn）的MSE概念。 该软件包包含一个C库和一个围绕它的Python包装器。 C库编译 没有外部依赖项（数学库除外），只是： gcc -shared -o libsampen.so -O -Wall -fPIC sampen.c -lm 此命令在当前目录中生成文件“ libsampen.so”。 注意：请勿更改文件名，Python包装器将搜索该名称。 Python包装器 在python中，假设当前目录包含一个包含存储库文件和libsampen.so的目录（例如，名为MultiScaleEntropy ）， import MultiScaleEntropy 将加载MultiScaleEntropy模块，该模块具有两个最重要的功能： sampen ：计算序列的s