以美国某气象站1894~2010年连续的年降水量为例，试应用小波分析，完成如下任务：①小波变换系数；
②绘制小波系数实部等值线图；
③绘制小波系数模和模方等值线图；
④绘制小波方差图；
以及⑤绘制不同时间尺度的小波实部过程线。
所谓年降水量时间序列的多时间尺度是指：年降水量在演化过程中，并不存在真正意义上的变化周期，而是其变化周期随着研究尺度的不同而发生相应的变化，这种变化一般表现为小时间尺度的变化周期往往嵌套在大尺度的变化周期之中。
也就是说，年降水量变化在时间域中存在多层次的时间尺度结构和局部变化特征。
Details:http://blog.sciencenet.cn/blog-1148346-794768.html

influxdb是目前比较流行的时间序列数据库。
何谓时间序列数据库？什么是时间序列数据库，最简单的定义就是数据格式里包含Timestamp字段的数据，比如某一时间环境的温度，CPU的使用率等。
但是，有什么数据不包含Timestamp呢？几乎所有的数据其实都可以打上一个Timestamp字段。
时间序列数据的更重要的一个属性是如何去查询它，包括数据的过滤，计算等等。
Influxdb是一个开源的分布式时序、时间和指标数据库，使用go语言编写，无需外部依赖。
它有三大特性：时序性（TimeSeries）：与时间相关的函数的灵活使用（诸如最大、最小、求和等）；
度量（Metrics）：对实时大量数据进行计算；
事件（Event）：支持任意的事件数据，换句话说，任意事件的数据我们都可以做操作。
同时，它有以下几大特点：schemaless(无结构)，可以是任意数量的列；
min,max,sum,count,mean,median一系列函数，方便统计；
NativeHTTPAPI,内置http支持，使用http读写；
PowerfulQueryLanguage类似sql；
Built-inExplorer自带管理工具。

这是笔者2019.9下载的UCR数据集，其中有较多的时间序列数据，方便大家下载学习，特此分享给大家。
(在介绍中,没有说不许传播,如有侵权,会立即删除.)

ADeepNeuralNetworkforUnsupervisedAnomalyDetectionandDiagnosisinMultivariateTimeSeriesData一种用于多变量时间序列数据非监督异常检测和诊断的深度神经网络

时间序列数据挖掘中的特征表示与相似性度量方法研究，博士论文

[目录]（一）我国税收收入与GDP关系分析（二）以下是1989—2003年我国税收收入和国内生产总值的时间序列数据：（三）根据上述数据资料，我国税收收入（SSSR）随国内生产总值（GDP）变化的关系函（四）对该模型的检验（五）对我国税收收入未来3年的预测（六）总结[原文]（一）我国税收收入与GDP关系分析GDP是社会收入分配的对象，税收收入是国家参与社会收入分配的结果，进行社会收入分配就会存在具体分配方式的应用问题。
税收收入与GDP总量有相关性，但两者相关系数不能画等号。
税收收入快速增长，税收占GDP比重有明显提高。
　在既定的社会收入分配中，税收收入与GDP之间的比例关系由税收制度所确定。
GDP增长与税收收入增长之间存在着一定的内在关系。
在一定的社会收入条件下，税收收入与GDP的数量关系是在税收制度下构成。
当税收制度发生变动时，国家就会根据变动情况对税收收入与GDP的比例关系进行相应的调整。
我们在分析GDP与税收收入的关系时，不能仅仅考虑两者之间的数量关系，还需要考虑和研究影响两者之间数量关系的社会经济制度因素。
（二）以下是1989—2003年我国税收收入和国内生产总值的时间序列数据：（三）根据上述数据资料，我国税收收入（SSSR）随国内生产总值（GDP）变化的关系函数属于生产函数，现假设其一元线性回归模型为：SSSR=C+β*GDP用EVIEWS软件作出该模型的散点图如下：......

压缩包内含：基于LSTM的股票价格预测_数据+代码+报告，可以最为数据挖掘的大作业。
股票作为人民金融投资的普遍方式，如何在股票中赚钱成为股民的共同目标。
要想在股票买卖中赚钱便要掌握股票的走势，因此股票价格预测工作引起社会及学术界的广泛关注。
股票的走势随市场变动，而且受诸多因素影响，如国际环境，政策变化，行业发展，市场情绪等等，这使得股民很难预测股票的走势。
理论上，根据股票以往的价格走势，可以预测股票的未来走势。
因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络对股票进行预测。
虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。
Hochreiter和Schmidhuber提出的长短期记忆（LongShort-TermMemory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。
因此，本文基于LSTM实现一个股票价格预测模型。

该数据集为UCR_TS_Archive_2015，次要是为方便时间序列数据研究者使用。

金融时间序列的数据集，用于学习数据发掘数据分析.rar

经过标注的节假日数据库，含周别、能否是工作日（调休修正）、能否是节假日等，可以直接对时间序列数据进行打tag,进行节假日效应的研究

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。