该视频以实例形式详细讲解了R语言Prophet函数，该函数可用于时间序列数据的趋势预测和分解。包含详细的R语言代码，简单易操作。

2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。

学习时间序列的概念，从传统的技术到最前沿的技术。这本书用全面的例子清楚地说明了时间序列数据的统计方法和分析方法及其在现实世界中的应用。所有的代码都可以在Jupyter中找到。 您将从回顾时间序列的基础知识、时间序列数据的结构、预处理以及如何通过数据争论来构建这些特性开始。接下来，您将使用statmodels和pmdarima等趋势框架来研究传统的时间序列技术，如ARMA、SARIMAX、VAR和VARMA。 该书还解释了使用sktime构建分类模型，并涵盖了先进的基于深度学习的技术，如ANN, CNN, RNN, LSTM, GRU和Autoencoder，以解决使用Tensorflow的时间序列问题。最后介绍了时间序列分析建模的流行框架fbprophet。在使用Python阅读了Hands -On Time Series Analysis之后，您将能够在行业中应用这些新技术，如石油和天然气、机器人、制造业、政府、银行、零售、医疗保健等。 你将学习: 解释时间序列高级概念的基础知识 如何设计、开发、培训和验证时间序列方法 什么是平滑，ARMA, ARIMA, SARIMA,S

Time Series Analysis and Its Applications Time Series Analysis and Its Applications

现有的聚类算法在提取用于聚类时间序列数据的平滑子空间方面很弱。 在本文中，我们提出了一种新的k均值类型平滑子空间聚类算法，称为时间序列k均值（TSkmeans），用于对时间序列数据进行聚类。 提出的TSkmeans算法可以有效地利用时间序列数据集的固有子空间信息来增强聚类性能。 更具体地说，平滑子空间由加权时间戳表示，加权时间戳指示这些时间戳对于聚类对象的相对判别力。 我们工作的主要贡献包括设计一个新的目标函数，以指导时间序列数据的聚类，以及开发新颖的更新规则，以针对平滑子空间进行迭代聚类搜索。 基于综合数据集和五个实际数据集，我们的实验结果证实，在诸如Accuracy，Fscore，RandIndex，和正常的共同信息。

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

时间序列建模 时间序列预测是使用模型根据先前观察到的值预测未来值。 虽然回归分析通常以测试关系的方式使用。 时间序列数据的模型可以具有多种形式，并代表不同的随机过程。 在对流程级别的变化进行建模时，三类具有实际重要性的类别是自回归（AR）模型，集成（I）模型和移动平均（MA）模型。 这三个类别线性地取决于先前的数据点。[28] 这些思想的结合产生了自回归移动平均（ARMA）和自回归综合移动平均（ARIMA）模型 资料来源：Wikipedia

pdf，word，和github代码汇总

scikit-hts：使用熟悉的API进行分层时间序列预测