原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战，采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列，有效地提高了预测精度，避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA)，将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型，扩大了参数搜索范围，提高了优化收敛速度；通过风速风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。

单因素、多因素、ConvLSTM预测、单步预测多步预测、数据处理

建模用户的长期和短期兴趣对于准确的推荐至关重要。然而，由于没有手动标注用户兴趣的标签，现有方法总是遵循将这两个方面纠缠在一起的范式，这可能导致推荐准确性和可解释性较差。在本文中，为了解决这个问题，我们提出了一个对比学习框架，以将推荐的长期和短期兴趣（CLSR）与自我监督分开。具体来说，我们首先提出了两个独立的编码器来独立捕获不同时间尺度的用户兴趣。然后，我们从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其相应兴趣代理之间的相似性。最后，由于长期和短期利益的重要性是动态变化的，我们建议通过基于注意力的网络自适应地聚合它们进行预测。我们对电子商务和短视频推荐的两个大规模真实数据集进行了实验。经验结果表明，我们的 CLSR 始终优于所有最先进的模型，并有显着改进：GAUC 提高了 0.01 以上，NDCG 提高了 4% 以上。进一步的反事实评估表明，CLSR 成功地实现了长期和短期利益的更强解耦。

不平稳性时序数据短期预测

MATLAB语言实现的LSTM长短期记忆神经网络模型

1.文件含所有代码以及保存数据，代码含有部分注释。 2.时间序列预测，验证集评价指标为rmse、MAE、MAPE、R2计算值 3.本文的运行效果如下，不同的案例数据，不同优化参数效果是不一样，有问题提供免费咨询和售后服务。 4.使用版本为matlab2020a，低于该版本的打开代码会出现乱码，属于正常现象，私聊会进行解决，高于此版本不会出现问题。 5.不同电脑、不同版本的运算结果会出现不同，因为采取随机算子。 %% LSTM结构参数 options = trainingOptions('adam', ... % adam优化算法 自适应学习率 'MaxEpochs',500,...% 最大迭代次数 'MiniBatchSize',10, ...%最小批处理数量 'GradientThreshold',1, ...%防止梯度爆炸 'InitialLearnRate',0.005, ...% 初始学习率 'LearnRateSchedule','piecewise', ... 'LearnRateDropPeriod',125, ...%125次后学习率下降

matlab实战+基于长短期记忆网络(LSTM)的SP500的股价预测+数据分析+机器学习 下载资源可以获得： 1、lstm实现的sp500的股价预测的matlab代码文件 2、SP500历史数据 3、mat数据

基于Verhulst模型的短期风速预测研究，王子赟，纪志成，风速预测技术在保持风力发电系统稳定方面有着重要的作用。为了提高风速预测的精确性，本文提出了一种基于灰色Verhulst模型的风速预�

针对电力负荷数据的非线性和非平稳性特性，为提高短期电力负荷预测的精度，提出一种基于EMD-DA-LSSVM的短期用电负荷预测模型。首先，采用EMD分解短期电力负荷数据，获得互不耦合的IMF分量；其次，针对各IMF分量建立最优参数下的EMD-DA-LSSVM短期电力负荷预测模型，重构得到预测值。通过算法验证分析，与LSSVM、DA-LSSVM和EMD-LSSVM相比，EMD-DA-LSSVM模型具有更高的预测精度，短期电力负荷预测精度高达2.203%。

1短期企业唯一可变的生产要素是劳动投入.docx