时间序列是一段时间内的一系列观察结果xt。通常情况下，观测可以在整个时间间隔内进行，在一个时间间隔或固定的时间点随机采样。不同类型的时间采样需要不同的数据分析方法。

能量时间序列 这是我在Ecole Polytechnique（MSc Data Science，2019-2020）上的机器学习（II）课程的最后一个项目。 目的是训练一种算法来代替过于侵入和过于昂贵的常规房屋能耗监测系统。 这一挑战被称为NILM（非侵入式负载监视）或NIALM（非侵入式设备负载监视）。 挑战的目的是根据时间数据预测专用于4种电器（洗衣机，电冰箱，电视，水壶）的一个家庭的用电量比例。 这项挑战由ENS（国家高等专科学校）提供： : 。 我们使用了回归模型，在的报告中对此进行了详细介绍。

弗雷德 快速，可扩展且轻量级的C ++Fréchet距离库，暴露于python，专注于多边形曲线的（k，l）聚类。 成分C ++后端 import Fred.backend as fred 线程数 默认情况下，Fred将自动确定要使用的线程数。如果要设置上限，请调用fred.set_maximum_number_threads(number) 。 曲线 签名： fred.Curve(np.ndarray) ， fred.Curve(np.ndarray, str name) 属性： fred.Curve.values ：曲线为np.ndarray ， fred.Curve.name ：获取曲线的名称， fred.Curve.dimensions ：曲线的尺寸， fred.Curve.complexity ：曲线的点数 曲线图 签名： fred.Curves() 方法： fred.Curv

时间序列异常检测 使用正态分布检测时间序列数据中的异常值的异常检测概念的证明。 这依赖于具有正态分布的数据，并使用概率来估计离群值。 用于统计分析的算法为和。

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

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

特色 根据时间序列数据计算各种特征。 R包Python实现。 安装 您可以使用以下tsfeatures从安装tsfeatures的发行版本： pip install tsfeatures 用法 tsfeatures主函数默认情况下计算Montero-Manso，Talagala，Hyndman和Athanasopoulos在。 from tsfeatures import tsfeatures 该函数接收具有unique_id ， ds ， y列以及可选的数据频率的面板熊猫df。 tsfeatures ( panel , freq = 7 ) 默认情况下（ freq=None ），该函数将尝试推断每个时间序列的频率（使用ds列上pandas infer_freq ）并根据内置字典FREQS分配一个季节性周期： FREQS = { 'H' : 24 , 'D' : 1 ,

Apache MXNet Gluon中的LSTNet实现 该存储库包含本文的实现： ://arxiv.org/abs/1703.07015，基于该存储库中作者的原始PyTorch实现： : 请参考该论文以获取有关网络体系结构的背景知识。 运行脚本 要获取命令行参数列表： python train.py-帮助

cnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-ma

时间序列预测和分析Introduction to Time Series and Forecasting homework03-solutions.pdf