基于改进PSO-LSTM神经网络的气温预测.pdf

粒子群算法(PSO)优化长短期记忆神经网络的数据回归预测，PSO-LSTM回归预测，多输入单输出模型 粒子群算法(PSO)优化长短期记忆神经网络的数据回归预测，PSO-LSTM回归预测，多输入单输出模型 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。

数据集

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。

非最小相位是指具有右半平面零、极点或滞后的线性对象，在DCDC变换器中,Boost变换器以电容电压作为输出量进行反馈控制时，是一个非最小相位系统。由于目前大多数Boost电路的控制方法选用的是传统PID控制，这种方法具有结构简单、可靠性高等特点，但是系统的动态特性、抗干扰性能却有待进一步提高。由于预测PI控制算法具有抗滞后和抗非最小相位特性的能力，将其应用到Boost电路中进行理论研究并进行实时仿真。仿真结果表明，预测PI控制算法具有良好的动态特性且抗干扰性强,能够体现良好的控制效果。

本文拟对kaggle上的一篇关于随机森林模型的文章进行案例调研，对文章的各个环节，包括案例描述、数据检视、特征工程、模型训练和模型优化使用的方法进行梳理并对文章的亮点与不足做出相应的反思。该文章的任务是基于随机森林模型，结合人的15项特征来预测该人年收入是否超过5万美元。数据源是美国人口普查局1994年的普查数据，调查对象数量为32561。这篇文章的亮点有：1.特征工程使用了简单而且容易理解的方法；2.进行充分的数据检视，对后续数据处理有了启示性作用；3、通过计算特征重要度过滤不重要的特征，展现了模型可以不断优化的可能性。主要不足有：1、没有解决高基数问题；2.并没有优化模型参数；3.没有处理离群值。

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.

在Cora和Citeseer数据集上用图卷积神经网络实现链路预测，包括GCN网络搭建、Cora和Citeseer数据集的数据预处理，以及链路预测网络的训练和测试代码。

基于深度学习的乒乓球目标检测与旋转球轨迹预测.pptx

## 摘要 本报告旨在对 ISLR::Smarket 数据集进行分析，研究其中的股票市场走势，并建立预测模型。该数据集包含了2001年到2005年间的股票市场数据，涵盖了1250个观察值和9个变量。我们将通过探索数据、可视化分析和建立预测模型来深入理解市场的行为，并尝试预测未来的市场趋势。 ## 研究目的和背景 股票市场的走势和预测一直是金融领域的重要课题之一。了解市场的动态变化和构建准确的预测模型对投资者、交易员和金融机构都具有重要意义。因此，本研究的目的是通过分析 ISLR::Smarket 数据集，探索股票市场的走势并建立预测模型，以提供对未来市场走势的理解和预测能力。 ## 数据集 Smarket数据集是R语言中的ISLR软件包（Introduction to Statistical Learning with Applications in R）中的一个示例数据集。 Smarket 数据集包含了自2001年到2005年之间的日常股票市场数据。数据集中包含了1250个观察值和9个变量，其中包括： - Year：观察的年份（2001-2005）。