采用LSTM循环神经网络对时序数据进行预测，根据评价目标对测试集进行误差计算，具有较好的预测精度

基于matlab的ar模型参数估计,ar模型是时间序列使用最广泛的预测模型。

《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上出版的，部分章节涉及了常见的优化算法（遗传算法、粒子群算法等）与神经网络的结合问题。
《MATLAB神经网络43个案例分析》可作为高等学校相关专业学生本科毕业设计、研究生课题研究的参考书籍，亦可供相关专业教师教学参考。
《MATLAB神经网络43个案例分析》共有43章目录如下：第1章BP神经网络的数据分类——语音特征信号分类第2章BP神经网络的非线性系统建模——非线性函数拟合第3章遗传算法优化BP神经网络——非线性函数拟合第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器设计——公司财务预警建模第6章PID神经元网络解耦控制算法——多变量系统控制第7章RBF网络的回归--非线性函数回归的实现第8章GRNN网络的预测----基于广义回归神经网络的货运量预测第9章离散Hopfield神经网络的联想记忆——数字识别第10章离散Hopfield神经网络的分类——高校科研能力评价第11章连续Hopfield神经网络的优化——旅行商问题优化计算第12章初始SVM分类与回归第13章LIBSVM参数实例详解第14章基于SVM的数据分类预测——意大利葡萄酒种类识别第15章SVM的参数优化——如何更好的提升分类器的功能第16章基于SVM的回归预测分析——上证指数开盘指数预测.第17章基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测第18章基于SVM的图像分割-真彩色图像分割第19章基于SVM的手写字体识别第20章LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用第21章自组织竞争网络在模式分类中的应用—患者癌症发病预测第22章SOM神经网络的数据分类--柴油机故障诊断第23章Elman神经网络的数据预测----电力负荷预测模型研究第24章概率神经网络的分类预测--基于PNN的变压器故障诊断第25章基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选第26章LVQ神经网络的分类——乳腺肿瘤诊断第27章LVQ神经网络的预测——人脸朝向识别第28章决策树分类器的应用研究——乳腺癌诊断第29章极限学习机在回归拟合及分类问题中的应用研究——对比实验第30章基于随机森林思想的组合分类器设计——乳腺癌诊断第31章思维进化算法优化BP神经网络——非线性函数拟合第32章小波神经网络的时间序列预测——短时交通流量预测第33章模糊神经网络的预测算法——嘉陵江水质评价第34章广义神经网络的聚类算法——网络入侵聚类第35章粒子群优化算法的寻优算法——非线性函数极值寻优第36章遗传算法优化计算——建模自变量降维第37章基于灰色神经网络的预测算法研究——订单需求预测第38章基于Kohonen网络的聚类算法——网络入侵聚类第39章神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类第40章动态神经网络时间序列预测研究——基于MATLAB的NARX实现第41章定制神经网络的实现——神经网络的个性化建模与仿真第42章并行运算与神经网络——基于CPU/GPU的并行神经网络运算第43章神经网络高效编程技巧——基于MATLABR2012b新版本特性的探讨

facebookprophet用于处理时间序列问题

奇异谱分析方法用于对时间序列的周期分析，相对于功率谱分析而言，其优越性在于(1)不像通常的谱分析需要预先给定滤波周期，而是根据资料本身确定。
(2)能够通过成分重建做延伸预报。

第1周面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表）第2周赌博设计：概率的基本概念，古典概型第3周每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性第4周啊！微积分：随机变量及其分布（二项分布，均匀分布，正态分布）第5周万事皆由分布掌握：多维随机变量及其分布第6周砖家的统计学：随机变量的期望，方差与协方差第7周上帝之手，统计学的哲学基础：大数定律、中心极限定理与抽样分布第8周点数成金，从抽样推测规律之一：点估计与区间估计第9周点数成金，从抽样推测规律之二：参数估计第10周对或错？告别拍脑袋决策：基于正态总体的假设检验第11周扔掉正态分布：秩和检验第12周预测将来的技术：回归分析第13课抓住表象背后那只手：方差分析第14周沿着时间轴前进，预测电子商务业绩：时间序列分析简介

LZ复杂度分析随着人们对非线性方法的分析越加深入，他们发现，虽然关联维度和最大李雅谱诺夫指数在分析脑电时具有一定的协助，但是它们对数据的依赖性太强，对干扰和噪声太敏感，而且要得到可靠的结果需要大量的数据，这对于高度不平稳的脑电波来说无疑是相当大的局限。
科研人员迫切需要一种数据量少且具有一定抗干扰能力的方法，这时LZ复杂度算法应运而生，它是一种表征时间序列里出现新模式的速率的方法。
这个方法最先由Lempel和Ziv提出，因此取名为Lempel-Ziv复杂度。
直到1987年，才由Kaspar和Schuster提出了该算法的计算机实现方法。
对于一个待求字符串S(S1，S2，…，Sn)以及另一个字符串Q(q1，q2，…，qn)，SQ表示S和Q的级联，SQ=(S1，S2，…，Sn，q1，q2，…，qn)。
令SQv是SQ减去最后一个字符所得字符串。
判断Q是否是SQv的一个子串，如果Q是SQv的一个子串，说明Q中的字符是可从S复制的，这时把待求序列的下一个字符级联到Q。
如果Q不是SQv的一个子串，则表示Q是插入字符。
这时把Q级联到S，S=SQ，重新构造Q，重复以上过程直到Q取待求序列的最后一位结束。
每次Q级联到S，表明出现一种新模式，用c表示一个字符串中新模式的数量。
例如对于S=(10101010)，应用上面的方法可以得到c(8)=3个新模式：1，0，101010。

混沌时间序列分析及其使用.zip

我想，应该是国内时间序列最经典的了吧作者是院士，水平还是可以的比国外BOX写的要好懂一些不晓得CSDN上有没有，不管了，发过去跟大家分析上下册全

包括随机趋势外推模型、时间序列模型，神经网络模型等

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。