人力资源管理系统 ZazHRM - 用于睡眠时间的蓝牙心率监测系统。 正在开发 ZazHRM 以尝试在睡眠时间执行心率监测 (HRM)。 该原型通过蓝牙 (BT) 近乎实时地向半径 10 米内的 Android 手机广播心率 (HR) 或脉冲信号的测量值。 在 Android 手机上运行的应用程序可以实现心率或脉搏的图形可视化。 当 HR 低于或高于预定义的阈值时，该应用程序还可以为护理人员触发警报。 该原型包括一个使用 AppInventor 开发的 Android 应用程序、一个用于测量心脏脉搏信号的 PulseSensor、一个用于执行 BT 通信的 HC-05 BT 模块以及一个 Arduino Uno 板，其中一个 C 程序可以协调不同的部分。 此外，一个 Python 脚本还展示了如何对监控过程中积累的数据进行基本的离线处理。 演示： :

天天个人助理 软件简介 DailyPim是一款个人日常信息管理的软件，具有的功能有日记本、资料管理、文件管理、日程管理、地址簿、网页快抓、收发消息、收发文件、邮箱监视器、查询天气、火车、航班、电话区号、邮政编码、定时关机等。

Matlab实现SVMD逐次变分模态分解时间序列信号分解（完整源码和数据) 1.Matlab实现SVMD逐次变分模态分解时间序列信号分解，运行主程序main即可，数据为一维时间序列信号数据。 2.赠送一个SVMD分解重构测试案例，运行test_svmd得到结果。 3.程序语言为matlab，运行环境matlab2018b及以上。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 5.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 6.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。

可以修改文件的时间属性，非常的好用，需要常备一下，必要的时候给领导提交资料还是会用到的。

ZLMediaKit windows编译版本 编译时间2024-04-19 支持一键安装成windows服务 包含了ffmpeg包和可能缺少的dll 注意：默认编译，没有配置openssl

1.Python实现ARIMA-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+

2003-2022年高铁站开通时间 1、时间：2003-2022年 2、指标：高铁站名称、开通时间、所在省份、所在城市、所属线路名称、以及相关备注

基于粒子群算法优化长短期记忆网络(PSO-LSTM)的时间序列预测。 优化参数为学习率，隐藏层节点个数，正则化参数，要求2018b及以上版本，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD3 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。

本文主要对LSTM模型结构改进及优化其参数, 使其预测股票涨跌走势准确率明显提高, 同时对美股周数据及日数据在LSTM神经网络预测效果展开研究. 一方面通过分析对比两者预测效果差别, 验证不同数据集对预测效果的影响; 另一方面为LSTM股票预测研究提供数据集的选择建议, 以提高股票预测准确率. 本研究通过改进后的LSTM神经网络模型使用多序列股票预测方法来进行股票价格的涨跌趋势预测. 实验结果证实, 与日数据相比, 周数据的预测效果表现更优, 其中日数据的平均准确率为52.8%, 而周数据的平均准确率为58%, 使用周数据训练LSTM模型, 股票预测准确率更高.