时间序列分析预测法

MATLAB中的经典时间序列预测方法包括自回归（AR）、移动平均线（MA）、自回归移动平均线（ARIMA）等多种技术。这些方法已经在各行业展示出色的分类和预测能力。在探索更高级的机器学习方法之前，建议首先熟悉这些经典技术，确保数据准备充分且方法正确。详细介绍了每种方法的实现步骤和使用提示，是入门时间序列预测的理想起点。

时序法的全家桶型综述，内容挺全，覆盖了从最基本的趋势到进阶的频域，甚至连预测方法都带到了。写得还蛮系统，适合你拿来扫盲也适合查漏补缺。是你做数据可视化或前端图表组件，想搞清楚时间序列里的节奏感，这篇文章看完准有收获。性那块讲得比较直白，比如用来做用户活跃趋势、异常检测实用。ARIMA那段也写得清晰，适合对模型算法刚入门的同学看看。不懂的地方还能搭配附带的 Matlab/pyculiarity 示例链接试试，工具链也算给你准备好了。

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

SAS应用于时间序列预测，提供完整的书签，并裁剪适合月度版本。

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

特伦斯·C·米尔斯撰写的《应用时间序列分析：建模和预测的实践指南》已提供高清原版PDF，便于阅读。

如果你对股票数据感兴趣，这份压缩包真的值得一看。它从基础的时间序列到高阶的机器学习预测，覆盖面相当广。比如，你能学到如何用ARIMA模型抓住趋势，也能探索用LSTM复杂的非线性数据。压缩包里还提到了如何清洗和预数据，什么缺失值、标准化这种常见问题都有讲到。最关键的是，还了不少实操代码和案例。无论你是想预测股票走势，还是优化投资策略，这份资料都挺适合你。

哈佛扩展学校大数据分析课程的最终项目由Galina Alperovich完成于2017年5月。Cassandra NoSQL在处理时间序列数据方面有着广泛的应用。Cassandra的数据模型特别适合按顺序处理数据，具备高速写入、跨节点复制和高可用性等特点。与传统的关系型数据库不同，Cassandra无需执行SQL连接、分组等标准操作。本项目展示了如何利用Cassandra进行财务时间序列分析，强调其处理顺序数据的自然优势。此外，我们提供了轻量级Web应用程序，用户可选择美国3000家公司之一，并查看其股票数据的时间序列图表，进行统计分析和实时监测。

时间序列数据分析的Matlab实现代码。