时间序列
当前话题为您枚举了最新的时间序列。在这里，您可以轻松访问广泛的教程、示例代码和实用工具，帮助您有效地学习和应用这些核心编程技术。查看页面下方的资源列表，快速下载您需要的资料。我们的资源覆盖从基础到高级的各种主题，无论您是初学者还是有经验的开发者，都能找到有价值的信息。
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
Matlab时间序列分析代码
时间序列数据分析的Matlab实现代码。
Matlab
12
2024-07-27
R语言时间序列分析
利用全国卷烟销量数据，采用R语言进行时间序列分析。分别构建ARIMA季节时间序列模型、Holtwinters指数平滑模型，并评估模型准确性。提供完整R代码和数据集。
算法与数据结构
16
2024-05-13
resampleX - 重采样时间序列
resampleX 可重采样时间序列数据，以更改其采样率。它通过使用指定的重采样间隔 alpha 来执行此操作。例如，要将每秒采样 1000 次的数据转换为每秒 1100 次，请使用 alpha = 1000/1100。resampleX 与 MATLAB 的“resample”函数类似，但速度通常更快。
Matlab
17
2024-05-20
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
MATLAB时间序列预测方法概述
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。
Matlab
11
2024-08-23
时间序列表示方法比较
李俊奎和王元珍总结了各种典型的时间序列表示方法，从多个角度分析其特点。该研究有助于理解时间序列表示的进展和应用。
数据挖掘
12
2024-05-20
Pandas时间序列数据: 转换与处理
Pandas时间序列数据: 转换与处理
本篇主要讲解如何使用Pandas转换与处理时间序列数据, 涉及以下几个核心概念:
时间相关的类: Timestamp, Period, Timedelta
Timestamp: 属性与使用方法
Period: 属性与使用方法
DatetimeIndex: 创建与使用, 函数参数详解
PeriodIndex: 创建与使用, 函数参数详解
课堂案例: 通过实际案例, 深入理解Pandas时间序列数据处理技巧
统计分析
21
2024-05-12
数学建模中的时间序列分析
探讨时间序列分析的基础知识，参考了《应用时间序列分析》的前三章内容。使用Python进行建模，适合数学建模中对时间序列分析的初学者快速入门与实际应用。文章简单易懂，侧重于实际操作。
统计分析
9
2024-07-17
用于时间序列预测的SAS应用
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。
算法与数据结构
11
2024-08-08