my_data_analysis数据挖掘案例第十一章系统负载分析与磁盘容量预测时间序列分析

第十一章连接查询和分组查询.zip,第十一章连接查询和分组查询.zip

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。

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。

统计时间序列的入门书里，UNSW MATH 这本教材算是比较经典的。覆盖面广，讲得不深奥，适合刚接触时间序列的你。内容偏实用，讲了多现实例子，像医疗、工程、经济这些方向的都能用得上。 时间域和频率域的方法它都讲了，思路比较清晰，不会上来就整一堆公式吓人。理论部分点到为止，实战为主，读起来不会头大。你要是经常跟时间序列打交道，比如搞预测、做模型，拿它来当参考书也挺合适。 另外我找了些跟这本书相关的资源，想深入一点的可以顺着看：时间序列预测法、Pandas 时间序列数据、Matlab 时间序列代码这些都挺实用。 如果你是用Stata、SPSS之类做统计的，也有专门的资源讲怎么结合时间序列用工具，像

时间序列分析和数据挖掘资源精选 学习资源 课程 实用时间序列分析 | Coursera 时间序列分析 | 麻省理工学院 - 开放式课件 时间序列分析 | edX 时间序列预测 | Udacity 使用中断时间序列的策略分析 | 英特尔® 开发人员专区 版课程资源 多元时间序列分析 | 芝加哥展台，Ruey S. Tsay 时间序列 | 俄勒冈州立大学 统计预测：有关回归和时间序列分析的注释 | 杜克大学 书籍 Cochrane J H. 宏观经济学和金融学的时间序列 [J]. 计算机应用，2006,26（6）：1175-1178 芝加哥大学手稿，2005年。预测：原则与实践。 Rob

混沌时间序列与预测工具箱的开源版，功能真挺全的，从生成混沌序列到 RBF、Volterra 预测一整套全给你安排上了。用ChaosAttractorsMain_Lorenz.m就能搞出 Lorenz 吸引子，点一下就能跑。哦对了，像DelayTime_OthersMain_AutoCorrelation.m这种求延迟时间的脚本也都有，拿来直接用就行。 工具箱的结构也清晰，每个步骤都拆开写了，比如求Lyapunov指数你就看LargestLyapunov_RosensteinMain_LargestLyapunov_Rosenstein1.m这几个脚本，方法还挺细的，小数据量啥的也考虑到了。调试

SAS 的时间序列，属于那种你用过一次就觉得“哦，原来可以这么干”的工具。它其实不难理解，就是把一堆按时间排的数拿来，去预测下一步要干嘛。挺适合做销量预测、网站访问量这类事儿。基本原理也不复杂。SAS 的套路是：先看趋势，再看波动，再加点统计方法，比如加权平均。简单来说，就是过去数据给多点权重，新数据靠后点，但整体来说，模型还蛮好调的。你可以试试XGBoost和LSTM来做时间序列预测，前者更偏向结构化数据，后者适合更复杂的时间依赖。比如你想预测明天的电量需求，用 LSTM 就挺合适。还有一些不错的参考资料我也整理出来了，像ForecastXGB的结合方式，还有用MATLAB实现的 CNN-B

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

这一算法是一种基于MATLAB编写的协整建模工具，能够直接应用于数据序列的分析。