ds_practical 西门子的数据科学实用项目，用于检测小时间序列数据中的概念漂移

通过数学模型介绍了，非常热门，应用广泛，高大上的一些机器学习模型

数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.

熊猫时间序列数据中的日历热图 Calplot根据熊猫时间序列数据创建热图。 使用绘制每个日历年在热图中按天采样的时间序列数据，类似于GitHub的贡献图。 安装 要使用pip通过PyPI安装最新版本： pip install calplot 用法 有关此库的详细用法，请参阅。 以下示例在中运行。 import calplot import numpy as np ; np . random . seed ( sum ( map ( ord , 'calplot' ))) import pandas as pd all_days = pd . date_range ( '1/1/2019' , periods = 730 , freq = 'D' ) days = np . random . choice ( all_days , 500 ) events = pd . Series

InfluxDB（influxdb2-2.1.1-linux-amd64.tar.gz）适用于Linux x86_64系统。 InfluxDB 是一个开源的时间序列数据库，能应付极高的写和查询并发数，主要用于存储大规模的时间戳数据（每条记录自动附加时间戳），如 DevOps 监控数据、应用系统运行指标数据、物联网感应器采集的数据及实时分析的结果数据等。InfluxDB 具备如下特征： 1.全部用 Go 语言编写，并被编译成单一运行程序，无须第三方依赖； 2.简洁、高效地写和查询 HTTP（S）编程接口（API）； 3.通过插件能与其他的数据采集工具集成，如 Graphite、collectd、OpenTSDB； 4.可以搭建高可用性的 InfluxDB 环境； 5.量身定制化的类-SQL 语言； 6.允许给序列数据附加标签来创建索引，以便快速高效查询； 7.通过定义策略轻松实现自动失效过时的数据； 8.基于 Web 的管理界面。

InfluxDB（influxdb2-2.1.1-windows-amd64.zip）适用于Windows x86_64系统。 InfluxDB 是一个开源的时间序列数据库，能应付极高的写和查询并发数，主要用于存储大规模的时间戳数据（每条记录自动附加时间戳），如 DevOps 监控数据、应用系统运行指标数据、物联网感应器采集的数据及实时分析的结果数据等。InfluxDB 具备如下特征： 1.全部用 Go 语言编写，并被编译成单一运行程序，无须第三方依赖； 2.简洁、高效地写和查询 HTTP（S）编程接口（API）； 3.通过插件能与其他的数据采集工具集成，如 Graphite、collectd、OpenTSDB； 4.可以搭建高可用性的 InfluxDB 环境； 5.量身定制化的类-SQL 语言； 6.允许给序列数据附加标签来创建索引，以便快速高效查询； 7.通过定义策略轻松实现自动失效过时的数据； 8.基于 Web 的管理界面。

InfluxDB（influxdb2-2.1.1-darwin-amd64.tar.gz）适用于macOS系统。 InfluxDB 是一个开源的时间序列数据库，能应付极高的写和查询并发数，主要用于存储大规模的时间戳数据（每条记录自动附加时间戳），如 DevOps 监控数据、应用系统运行指标数据、物联网感应器采集的数据及实时分析的结果数据等。InfluxDB 具备如下特征： 1.全部用 Go 语言编写，并被编译成单一运行程序，无须第三方依赖； 2.简洁、高效地写和查询 HTTP（S）编程接口（API）； 3.通过插件能与其他的数据采集工具集成，如 Graphite、collectd、OpenTSDB； 4.可以搭建高可用性的 InfluxDB 环境； 5.量身定制化的类-SQL 语言； 6.允许给序列数据附加标签来创建索引，以便快速高效查询； 7.通过定义策略轻松实现自动失效过时的数据； 8.基于 Web 的管理界面。

欧几里德法matlab代码Dynamic_Time_Warping 安装：要运行此代码，所有人都需要一个Matlab IDE。 该代码也可以在Octave 4.0中运行 开始：运行main.m。 在main.m文件中更改了参数。 如果需要，请编辑路径变量以更改输入文件的路径。 数据集文件夹中提供了示例od数据。 时间序列数据在此处以4种不同的方式分类，称为任务1-4。 在运行main.m之前，可以在特定的tas调用开始时使用％注释掉这些方法中的任何一种。如果删除了任务，则需要从第24行的结果中删除任务名称。 首先在reShape.m中将数据集划分为功能集和数据标签，然后在deNoise.m中对其进行规范化。 然后使用1-最近邻算法对它们进行分类。 main（）调用classifier（），classifier为每个测试数据调用knn（）。 数据以main.m中定义为Task 1-4的4种不同方式进行比较。 任务1：将数据与简单的欧几里得算法进行比较。 定义于euclid.m 任务2：比较方法是动态时间规整（DTW）。 该算法可以在这里找到。 在任务2中，对扭曲窗口大小w没有限制。 任务

从多年时间序列中删除每日平均值。 时间序列 t 和 y 必须是等长的向量，并且 t 必须是 datenum 格式的每日值。 y_deseasoned = deseason(t,y); 返回淡化的 y 信号。 [y_ds,y_s] = deseason(t,y); 返回淡化的 y 信号和提取的季节性信号，使得 y = y_s + y_ds。 [y_ds,y_s,annualsig] = deseason(t,y); 还返回一个长度为 366 的向量，其中包含年度信号，其中 yearsig 的索引对应于一年中的某一天。 此函数需要在 Mathworks FEX 站点上提供 Anthony Kendall 的 date2doy 函数： http : //www.mathworks.com/matlabcentral/fileexchange/18316

Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear