随着经济的快速发展，众多企业步入科学化管理的时代.销售预测是企业经营活动中必不可少的一个环节，预测的准确性直接关系到销售经营的成败.因此提出基于传统BP神经网络与时间序列预测模型为一体的改良BP神经网络预测模型，通过该模型的预测，可以更可靠地预测企业在未来单位时间内的销售额.改良神经网络参考了同步时间序列的预测做出了自我校准，并利用遗传算法达到通过校准得到自我优化的目的，简化网络结构，提高预测的准确度.

为避免传统预测方法误差率较大的缺陷，在考虑高速公路月度交通量季节性周期特点的基础上，构建了ARIMA预测模型，并对ARIMA模型识别、模型检验和模型预测进行了系统分析，并应用于某高速公路进行月度交通量预测。应用结果表明：模型预测综合误差率为5.45%，低于灰色模型35.43%的误差率，低于三次指数平滑法的5.65%误差率；ARIMA预测模型能更好地适应于高速公路月度交通量预测。

安全技术-网络信息-污泥气化合成气生成特性及其BP神经网络预测模型研究.pdf

人脸识别的预测模型，包含引言、技术方法、实验结果和分析、参数调整过程、结论及参考文献。

大学生就业情况的神经网络预测模-大学生就业情况的神经网络预测模型.pdf 大学生就业情况的神经网络预测模型.pdf

本文在总结前人研究的基础上，对导致糖尿病的危险因素进行分析，通过对哈尔滨工业大学 2014 年校医院体检数据集的特征变量进行逐步回归分析，得到与糖尿病显著相关的危险因素，保留其作为 BP 神经网络模型、支持向量机模型和集成学习模型的输入变量。机器学习算法在处理较为复杂的问题上有较好的准确度和泛化能力。将样本集中 2728 条数据根据要求按照 7：2：1 的比例划分成训练集、测试集和独立样本集。基于 BP 人工神经网络、支持向量机和集成学习模型分别建立进行机器学习仿真模拟。输入变量和模型的各种参数、核函数的选择都对预测结果产生有或多或少的影响。本研究中观察了如网络结构、学习率、惩罚因子、核函数及相关参数的改变对预测结果的影响，然后经过对参数进行调试选择，找到各个算法的最优模型。最后使用独立样本进行测试，三个模型的预测结果与原始数据相关性强，证明建模具有统计意义，其中人工神经网络的最优模型的测试集 AUC 更高，运行时间更短。所以，最终选择以网络结构为 7-1-1 的人工神经网络模型为本研究中糖尿病预测的最适模型。 关键词：糖尿病；危险因素；BP 人工神经网络；支持向量机；集成学习

two-layer-model 双层违约风险预测模型 原型为： 本项目为复现此双层模型，并进行了简单的模型性能对比

阐述了支持向量机在时间序列预测中应用的理论基础，建立了人口时间序列的支持向量机预测模型。计算结果表明，无论是在拟合过程还是在预测过程，支持向量机方法都具有很高的计算精度.因此，采用支持向量机方法对人口时间序列进行预测分析是可行的。

70 智能金融Lengding Club——构建贷款违约预测模型.docx

灰色预测的代码，很简化的，希望对大家有帮助