文件名称：matlabaic代码-timeseries:使用TensorFlow，scikit-learn，SINDy，SARIMA建模时间序列
文件大小：2.26MB
文件格式：ZIP
更新时间：2024-06-08 21:44:59
系统开源
matlab aic代码时间序列 （单击“活页夹”或“ Colab”链接以打开笔记本并在云中使用它们。） 时间序列建模使用： 机器学习（XGBoost，套索，随机森林）：对时间序列数据进行单变量预测。 使用scikit-learn GridSearchCV函数可以完成超参数优化。 结论：套索表现更好！ 深度学习（TensorFlow，Keras）： ：使用的超参数优化。 这是单变量笔记本在时间序列上的多元概括： 计量经济学方法（SARIMA-季节性自回归综合移动平均线）：。 可以从datacamp课程下载的Candy数据。 FFT ：包含FFT外推+滤波，用于使用合成周期数据进行时间序列预测。 动力系统 使用延迟坐标嵌入重建动力系统：对于许多混沌动力系统，一个人只能观察到一个变量。 使用延迟坐标嵌入（嵌入到更高维度的空间中），可以重建与原始拓扑等效的拓扑系统：，。 注意：Google colab当前不支持Julia笔记本。 用于免费使用Julia进行云计算。 基于非线性动力学的SINDy-稀疏辨识。 由于，python代码要简单得多（与本文随附的MATLAB代码相对）。 SINDy可以
【文件预览】：
timeseries-master
----.gitignore(1KB)
----requirements.txt(86B)
----fourier_ts.ipynb(195KB)
----delayembedding()
--------julia_delayembeddings_lorenz.ipynb(569KB)
--------python_delayembedding_lorenz.ipynb(952KB)
----LICENSE(1KB)
----candydata()
--------sarima_candy.ipynb(164KB)
--------gaussianprocesses.ipynb(48KB)
--------keras_tuner_candy.ipynb(280KB)
--------xgboost_pipeline_candy.ipynb(104KB)
--------candy_production.csv(17KB)
----README.md(3KB)
----tf2_multivariate_rnn_cnn.ipynb(794KB)
----dynamicalsystems()
--------sindy_cubicmodel.ipynb(191KB)