代码实现了将时间序列根据所给符号类别数等概率划分成多个区间，根据所给字节长度数实现时间序列到符号化频次直方图序列的转换，并包含一个简单样本的转化实现

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

绘制在单个轴上垂直排列的多个时间序列数据（“通道”）。 绘制一个定义长度的窗口并使用箭头键向前和向后滚动。 选择显示通道的子集。 使用向上和向下箭头键控制 y 轴比例。 使用鼠标直观地标记时间点并将它们保存到向量中。 受到推崇的受用于 EEG 的 BrainVision Analyzer 界面和 EEGLab 的 eegplot 功能的启发，但比后者 IMO 工作得更好更快。

该数据集将多元时间序列数据的多维拆解成多个一维文件，并以csv的格式对数据进行存储 该数据集结构为： -E:/桌面/代码/数据集/Multivariate2018_arff_csv -ArticularyWordRecognition -test_dim1.csv -test_dim2.csv ..... -train_dim1.csv -train_dim2.csv ..... -train_label.csv -test_label.csv 每个数据集下包含测试集数据、测试集标签、训练集数据、训练集标签

以jupyter为平台，利用python实现对墨尔本10年气候变化数据集的特征处理，然后并利用机器学习模型进行训练以及对原始数据集的拟合，最后来评价那种模型的拟合效果最佳。（提供了相关数据集）

分析流域归一化植被指数INDV随时间变化的规律，提出了植被生长量评价方法，并基于植被生长量、植被生长状态和年际植被变化趋势等方法分别对2000、2002、2004、2007年流域不同时空分布的植被进行了评价，得出以下结论：1）上游、下游及分布在中游水源边的植被生长量较大，而且植被生长量较低的黄土高原经历先增加然后减少的变化趋势；2）生长状态较差的地区主要集中在兰州、宁夏、内蒙地区，但是2000年后这些区域的植被生长状态趋向好转；3）黄土高原地区在2000、2002、2004、2007年之间有转好的趋势，而

两个时间序列数据练习，大家试试

考虑的程序是：重叠块引导程序 (Künsch)、固定引导程序 (Politis-Romano) 和季节性块引导程序 (Politis)。 如果块大小等于 1，则应用 iid Bootstrap (Efron)。 所有程序都处理向量时间序列。

python基于LSTM神经网络进行时间序列数据预测源码+全部数据.zip包含数据清洗，数据特征提取，数据建模，数据预测使用LSTM神经网络进行时间序列数据预测分析。基于Tensorflow框架、Kerase接口开发网络模型。 .LSTM单变量2 1.观测值缩放 2.时间序列转换成稳定数据 3.时间序列转监督学习数据 1_3.LSTM单变量3 1.LSTM模型开发 1_4.LSTM单变量4 1.完整的LSTM案例 1_5.LSTM单变量5 1.更健壮的LSTM案例 2.LSTM多变量（air_pollution） 1_1.LSTM多变量1 1.数据输出 2.预处理 1_2.LSTM多变量2 1.LSTM数据预处理 1_3.LSTM多变量3 1.定义&训练模型 2.数据预处理 3.Multi-Step LSTM预测（shampoo-sales） 1_1.Multi-Step LSTM预测1 1.静态模型预测 1_2.Multi-Step LSTM预测2 1.多步预测的LSTM网络 二

AMI 计算并绘制平均互信息 (ami) 以及不同时间滞后值的单变量或双变量时间序列的相关性。 用法： [amis corrs] = ami(xy,nBins,nLags) 输入： xy：单变量 (x) 或双变量 ([xy]) 时间序列数据。 如果给出双变量时间序列，那么 x 应该是自变量，y 应该是因变量。 如果给出单变量时间序列，则计算自相关而不是互相关。 nBins：时间序列数据的 bin 数量，用于计算计算 ami 所需的分布。 nBins 应该是 2 个元素的向量（对于双变量）或标量（单变量）。 nLags：计算 ami 和相关性的时间滞后数。 对 0:nLags 的滞后值进行计算。 输出： amis：时间滞后为 0:nLags 的平均互信息向量 corrs：时间滞后为 0:nLags 的相关向量（或单变量时间序列的自相关） 例子： xy = rand(1000,2);