时间序列分析资源包
本资源包包含教学PPT和MATLAB实现代码，详细介绍了时间序列的基本理论。时间序列是按时间顺序排列的统计指标数列，主要用于基于历史数据预测未来走势。经济数据通常以时间序列形式呈现，时间单位可以是年、季度、月等。
Matlab
13
2024-09-28
深入了解时间序列分析与数据挖掘
可以很好的理解时间序列分析和数据挖掘的概念及其在实际中的应用，对我们具有重要意义。
数据挖掘
19
2024-07-16
在线时间序列数据挖掘优化
时间序列数据挖掘是数据分析中重要的分支之一，专注于从序列数据中提取信息和模式。在这个过程中，相似性度量是核心任务之一。欧几里得距离作为基本的相似性度量方法之一，具有线性时间复杂度，但对异常点敏感，且要求比较的序列长度相等。动态时间规整（DTW）作为另一种有效方法，能够测量不同长度时间序列之间的相似性，通过弯曲操作处理等长时间序列，使其匹配到相似趋势上。文章《在线和动态时间规整，用于时间序列数据挖掘》提出了一种加速DTW计算的方法，通过滑动窗口将长序列分割为短子序列，并提出了有效的DTW算法来测量子序列间的相似性。数值实验表明，该方法比传统DTW方法更快、更有效。文章还结合在线学习，将DTW应用
数据挖掘
11
2024-08-31
精选数据挖掘特征
数据挖掘是大数据入门必读的内容，特别是在特征选择和降维方法方面有着深入讨论。
数据挖掘
13
2024-07-22
STUMPY: 用于时间序列数据挖掘的强大Python库
STUMPY 是一个功能强大且可扩展的 Python 库，可以高效地计算矩阵配置文件。矩阵配置文件可用于各种时间序列数据挖掘任务，例如：
模式/基序（较长时间序列内的近似重复子序列）发现
异常/新奇（不一致）发现
Shapelet 发现
语义分割
密度估计
时间序列链（子序列的临时排序集合）模式
以及更多...
无论您是学者、数据科学家，STUMPY 都能帮助您深入了解时间序列数据。
数据挖掘
14
2024-05-15
数据分析和数据挖掘书籍推荐
这些英文书籍是数据分析和数据挖掘领域的入门好帮手，可以帮助您快速了解相关概念。
算法与数据结构
18
2024-04-30
基于OLAP和数据挖掘的Web日志分析
这份PDF文档探讨了OLAP（在线分析处理）和数据挖掘技术在Web日志分析中的应用。
数据挖掘
17
2024-05-15
Python-STUMPY时间序列数据挖掘的高效Python库
Python-STUMPY是一个专为时间序列数据挖掘设计的高效、灵活的开源库，在Python开发社区中被广泛应用于数据分析任务。时间序列分析是研究数据随时间变化趋势的关键方法，适用于金融、医疗、物联网(IoT)、工业4.0等众多领域。STUMPY的核心功能在于发现时间序列中的模式，有助于用户识别潜在的结构、异常和周期性。该库采用矩形最大值乘积（Matrix Profile）方法作为核心算法，这种方法在统计学上非常有效，可以高效处理大规模数据集，并保持较低的内存需求。使用STUMPY进行时间序列挖掘时，常见步骤包括数据预处理、计算Matrix Profile、模式发现、模式解释以及应用与扩展。在
数据挖掘
10
2024-08-28
时间序列分析预测法
时间序列分析预测法分为三类：
平滑预测法：采用移动平均和指数平滑方法，平滑原始数据趋势线。
趋势外推预测法：利用历史数据拟合趋势函数，预测未来趋势。
平稳时间序列预测法：估计模型参数，根据历史数据预测未来值。
算法与数据结构
21
2024-05-24
