DFT的matlab源代码时间序列数学库 概述 该库的目的是为时序分析和信号处理提供优化的算法。 特征 筛选条件： 移动平均滤波器 指数移动平均滤波器 规范化器： Z归一化 最小-最大归一化 表示形式： 不可逆的 TESPAR DZ 矩阵配置文件 完全加入 自我加入：STOMP，STAMP，SCRIMP 逐段地 分段总逼近（PAA） 分段线性聚合近似（PLAA） 自适应分段常数逼近（APCA） 具有线性（PLA），二次（PQA）或其他类型曲线拟合功能的分段曲线拟合逼近 象征性的 符号聚合近似（SAX） 可索引符号聚集近似（iSAX） 光谱 离散傅立叶变换（DFT） 离散余弦变换（DCT） 离散切比雪夫变换（DChT） 小波离散Haar小波变换（DWT） 测量： 动态时间规整（DTW） 最长公共子序列（LCSS） 在实际序列上编辑距离（EDR） 使用实际罚分（ERP）编辑距离 均匀缩放 缩放和扭曲匹配（在统一缩放中使用DTW） 其他 用于（自适应SAX / iSAX）的自适应分布分配器 复杂度不变距离 用法 将以下依赖项添加到您的Maven项目中。 < dependency > < gr

这是 “LSTM时间序列预测任务” 案例中使用到的数据集，该案例我已在Blog中分享，欢迎下载该数据集。

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

电力需求预测：机器学习模型预测Sunyani和Nationwide的未来电力需求

cnn-bilstm-attention-time-series-prediction_keras-master

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

非线性时间序列分析nonlinear time series anlysis英文版

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

R语言时间序列模型的实现 斯普林格pdf高清版本

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