Walmart-store-sales-prediction-model:创建预测模型以预测沃尔玛商店的销售额

本代码是使用lstm进行时间序列预测，能够很清晰的说明如何使用lstm(Time series prediction using LSTM)

cryptocurrency-price-prediction：使用LSTM神经网络的加密货币价格预测

driving-behavior-risk-prediction. 2018平安产险数据建模大赛 驾驶行为预测驾驶风险 Fork或借鉴请注明出处  . Thx 比赛链接 RANK 第五周 第六周 相关文章 License Copyright (c) . All rights reserved. Licensed under the License.

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。

使用AzureML进行心力衰竭预测 在此项目中，我们演示如何使用Azure ML Python SDK使用Azure AutoML和Hyperdrive服务来训练模型以预测由于心力衰竭导致的死亡率。 训练后，我们将部署最佳模型并通过使用它来评估模型端点。 项目设置与安装 若要设置此项目，我们需要访问Azure ML Studio。 项目设计的申请流程如下： 使用计算实例创建一个Azure ML工作区。 创建一个Azure ML计算群集。 从此资源库将心力衰竭预测数据集上载到Azure ML Studio。 将此存储库中附加的笔记本和脚本导入到Azure ML Studio中的“笔记本”部分。 笔记本中详细介绍了所有运行单元的说明。 数据集 概述 数据集用于评估心力衰竭患者的严重程度。 它包含2015年4月至12月在费萨拉巴德心脏病研究所和费萨拉巴德（巴基斯坦旁遮普）联合医院收集的

关于Criteo数据的FFM 尝试使用以下现场感知分解机（FFM）的实施方式来复制的结果： 数据 下载完整的数据集并将其转换为CSV格式： ./data.sh ln -s train.csv tr.csv ln -s test.csv te.csv 或者，使用微小的数据： ln -s train.tiny.csv tr.csv ln -s test.tiny.csv te.csv 用法 建立LIBFFM并预处理数据，就像： make 移至或并按照说明进行操作。 参考

心衰预测 分类项目可根据某些患者属性预测由于心力衰竭导致的死亡。

narx的matlab代码多元多步风速预测 该呼吸包含使用多变量输入数据进行的单步和多步风速预测的实现代码。 这个想法是使用外部参数（例如温度，湿度，压力等）来预测不同层位的风速（向前迈进），而不涉及风速本身的历史数据。 使用了两种主要方法，包括各种深度学习迁移学习方法和常规神经网络模型。 数据库 风力数据库是从M2塔的获得的。 每两秒钟获取一次M2塔数据，并在不同高度（2至80 m）下测量的一分钟内取平均值。 但是，出于预测目的，我们将数据下采样到10分钟（平均）。 可以访问已处理的数据。 数据进行了分区，以将一年（2017）用于培训和验证（80％和20％），并将另一年（2018）用于测试目的。 转移学习 预训练的深度学习模型用于该实验。 该代码在中实现。 神经网络 文献中提出的几种神经网络方法已在以下方面实现：前馈神经网络（FFNN），时延神经网络（TDNN），非线性自回归外生模型（NARX）。

出租车票价预测 预测纽约市出租车的票价