时序分析

这本书基于R语言探讨了时序序列分析，与当前大多数集中于一元时序序列不同，特别关注多元时序序列的预测与改进。本书以简洁的数学结构系统化地阐述了这一主题，为读者提供了重要参考。

特里斯坦·乌塞尔在2018年8月提出了一种新的自相关计算方法，称为imageautocorr。这种方法可以对时序数据或图像进行自相关分析，输出归一化相关系数在-1到1之间的自相关矩阵。用户可以通过不同的输入方式调用imageautocorr函数，包括直接加载图像文件或数据路径。这种方法不仅适用于图像数据，也可以用于任何类型的有序数据，为研究和应用提供了广泛的可能性。

Loglet Lab是用于分析时序数据中物流行为的软件包，逻辑替换模型可以应用于多个时间序列。Loglet显示为S形曲线或其连续序列，反映出技术市场中的增长和下降行为。Loglet Lab源于Perrin Meyer的C和MATLAB代码，现已更新为Visual C++，提供了Windows可视化界面。

交通出行时序预测数据集

当变频器停止时，可通过设定 H1-01 至 H1-07 中的其中一个为 60（直流制动指令）来施加直流制动，使电机停止运行。输入直流制动指令后，如果输入运行指令或点动指令，直流制动将被解除，开始运行。图 5.55 展示了直流制动的时序图。

第16章 时间序列 16.1 时序模式 在餐饮业中，预测菜品销售量至关重要。基于时间序列分析，我们可以预测未来销售量，减少脱销和备料不足造成的延误，优化服务和物流成本。 16.1.1 时间序列算法 常用的时间序列模型如下表所示： | 模型名称 | 描述 ||---|---|| 平滑法 | 削弱随机波动，使序列平滑化 || 趋势拟合法 | 建立回归模型，预测趋势 || 组合模型 | 考虑趋势、季节性、周期性和不规则变动 | 根据序列特点，可以构建加法或乘法模型： 加法模型： tX = T + S + C +  乘法模型： tX = (T + S) * (C + )

保守值法Matlab代码存储库HCTSA，专为高度比较的时序分析设计。HCTSA是一个功能强大的软件包，支持R2014b及更高版本，也可用于Python。该软件框架提供了从时间序列中提取成千上万的分析功能，包括数据规范化、聚类、低维数据表示工具等，能够识别不同时间序列类别的特征，支持多元分类模型学习，并提供多种可视化和分析功能。详细的HCTSA文档可在线阅读或下载为PDF、EPUB或MOBI格式。

pyculiarity 用于时序数据异常检测，能有效识别异常值。

城市轨道客流时序数据集提供城市轨道客流的时序数据。

随着时间数据分析领域的发展，时序数据异常检测变得越来越重要。这项技术专注于识别时间序列中的异常模式和趋势，为数据分析和预测提供可靠的基础。通过应用先进的算法和技术，研究人员能够有效地监测和分析数据中的异常点，进而改进预测模型的准确性和可靠性。