ARIMAX模型检验 适应性检验:模型残差序列属于白噪声序列；残差与输入变量序列无显著关系 参数检验:所有参数显著非0 back

芝加哥犯罪 用于对的进行时间序列分析的处理脚本。 跑步 克隆这个 repo 并安装依赖项 git clone https://github.com/morganherlocker/chicago-crime.git cd chicago-crime npm install 下载数据（注意：数据很多，所以这需要一段时间） curl https://data.cityofchicago.org/api/views/ijzp-q8t2/rows.json?accessType=DOWNLOAD -o crime.json 在 1/2mi 网格上聚合，每月计数和总计 node index.js

概要：用季节性ARIMA模型分析和预测我国的进出口总额，有代码和数据及自己写的论文（包含摘要目录等） 论文摘要：进出口总额是反映我国对外贸易的重要指标之一,为探索我国的进出口金额变化情况,选取我国1994-2021年进出口总额的月度历史数据为研究样本,采用时间序列检验方法对其进行了相关分析,建立相应的季节性ARIMA模型，运用所建模型对2023年进出口总额进行预测。研究结果表明:我国月度进出口贸易总额时间序列预测模型表现出明显季度性变化特征,通过模型精度对比,季节性ARIMA模型预测精度较高，结合预测结果可用于有关外贸等方面政策的制定，推动我国经济的进一步发展。

ARMA(p,q)的最小二乘估计 非线性最小二乘估计

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。

MATLAB实现LASSO分位数回归时间序列预测（完整源码和数据） 两个月数据，不同特征预测，预测80%间隔，不同特征选择误差，日前一天各个预测点的分位数，程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

介绍 未来数据的预测在能源领域非常重要，因为有关未来消费和发电趋势的信息可以帮助规划电厂的运营。 该分析比较了各种模型进行时间序列预测，以确定哪种模型效果最好 数据 数据来自Kaggle： ://www.kaggle.com/robikscube/hourly-energy-consumption包含兆瓦（MW）中各种电力公司的能耗读数。 代顿数据集已用于此分析。 但是，最后将包含所有电力公司数据的主数据集用于实验模型。 数据探索 数据从2005年到2018年大约开始，并且每小时记录一次。 分析 使用的4个模型是FBProphet，XGBoost，递归神经网络（RNN）和长期短期记忆（LSTM）（RNN的变体）。数据在使用前已进行了标准化。 FBProphet，RNN和LSTM模型可以按原样使用时间戳数据，但是XGBoost需要将时间戳分解为单独的组件。 所有这些模型都已在Dayton数

基于ANFIS的时间序列预测（Matlab完整程序和数据） 基于ANFIS的时间序列预测（Matlab完整程序和数据）

以jupyter为平台，利用python实现对墨尔本10年气候变化数据集的特征处理，然后并利用机器学习模型进行训练以及对原始数据集的拟合，最后来评价那种模型的拟合效果最佳。（提供了相关数据集）

使用LSTM、GRU、BPNN进行时间序列预测源码+数据集（课设源码）.zip 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业