* 前馈神经网络 [FFNN.ipynb] (models / FFNN.ipynb) * 简单移动平均线 [SMA.ipynb]（模型 / SMA.ipynb） * 加权移动平均线 [WMA.ipynb] (models / WMA.ipynb) * 简单指数平滑 [SES.ipynb] (models / SES.ipynb) * Holts Winters [HW.ipynb]（型号 / HW.ipynb） * 自回归综合移动平均线 [ARIMA.ipynb] (models / ARIMA.ipynb) * 循环神经网络 [RNN.ipynb]（模型/RNN.ipynb） * 长短期记忆单元 [LSTM.ipynb] (models / LSTM.ipynb) * 门控循环单元格 [GRU.ipynb] (models / GRU.ipynb) 短期电力负荷预测研究生项目中，数据取自德里国家负荷调度中心网站，在项目过程中实施了多种时间序列算法。

详细介绍了时间序列ARIMA模型的原理，建立模型与解决模型。 同时附有SPSS中如何操作ARIMA模型。

武汉市户籍人口的ARIMA模型分析与预测，代欢，王传美，本文利用时间序列法建立武汉市户籍人口模型。选取1978-2013年武汉市户籍人口数据，通过Eviews软件进行模型的识别和参数的估计，确定ARM

我国煤层气产业发展迅速,煤层气地面开发取得重大进展,勘探开发利用规模也呈逐年增长趋势。对未来煤层气产量进行预测,对煤层气产业发展成为新型能源产业提供政策起到了,通过构建ARIMA (1,0,5)模型,预测了我国2019—2025年全国煤层气地面产量,预测结果表明未来5年煤层气产量持续增长,且增长速度持续加快。建议不断增强煤层气开发技术,深化煤层气体制改革,加强煤层气产业的创新驱动力,从而更好的将煤层气产业发展成为我国重要的新型能源产业。

ARIMA模型例题.doc

代码和原始数据 该模型由R编写，R是一种简洁的编程语言。 历史^ HSI数据可从下载。 培训数据涵盖了2010年1月5日至2021年1月29日。 测试数据从2021-01-29开始。 查看有关报告 我的电子邮件：

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

ARIMA模型在农产品价格预测中的应用

基于ARIMA模型的电商销售预测及R语言实现.pdf

在经济体系不稳定的发展中国家，历史数据的永久性波动一直是一个令人担忧的问题。 识别变量的依赖性和独立性是模糊的，建立可靠的预测模型比其他国家更复杂。 尽管非线性多元经济时间序列的线性化来预测可能会给出结果，但应忽略显示经济系统中不规则性的数据的性质。 人工神经网络（ANN）的新方法有助于建立一个保持数据属性的预测模型。 在本文中，我们使用德黑兰证券交易所 (TSE) 10 年的日内数据来预测未来 2 个月。 与自回归积分移动平均 (ARIMA) 模型相比，来自 ANN 的长短期记忆 (LSTM) 选择和输出。 结果表明，虽然在长期预测中，两种模型的预测精度都有所降低，但 LSTM 在精度误差方面明显优于 ARIMA。