Elman神经网络与ARIMA模型对流感发病率预测效果的比较

使用matlab进行时间序列分析，预测效果如文档所示，代码运行简单，修改方便。已做成工具箱,只需替换数据即可运行

风能预测时间序列分析：实施了不同的时间序列模型来预测风能的产生。 风力发电考虑的因素是空气密度，风速，温度。 实施的模型：线性回归，多项式回归，Holt Winters，ARIMA

ARIMA模型对季节特征有较好的拟合效果，灰色GM（1，1）模型能准确反映时间序列的增长趋势，结合民航货邮周转量的特点和ARIMA模型和GM（1，1）模型的优点，分别建立货邮周转量的ARIMA和GM（1，1）的时间序列模型，揭示出民航货邮周转量随时间推移而发展变化的动态规律，最后为更精确地预测月度民航货邮周转量，提出基于ARIMA-GM的组合预测模型，并对近几月民航货邮周转量进行较准确的短期预测，结果表明：组合模型能提高预测精度，在实际应用中ARIMA模型可用于非季节和季节的各类时间序列；灰色GM（1，1）模型能准确反映时间序列的增长趋势，两者相结合很好地解决了民航货邮周转量短期预测的实际问题，得到民航货邮周转量更精确的预测结论，能够对民航货邮市场的发展趋势进行宏观把握，有利于决策者的经济决策行为。

Covid19_ARIMA-预测 目标 该项目的目的是使用ARIMa模型来预测2021年2月11日至2021年3月3日北卡罗莱纳州，北达科他州，内华达州，新罕布什尔州和新泽西州的COVID-19病例和死亡 脚步： 使auto.arima（p，d，q）x（P，D，Q）模型适合每个州的病例和死亡的两个时间序列 适合被认为合适的替代ARIMA模型 对最佳模型的预测结果取平均值，对替代模型子集的预测结果取平均值

博客https://blog.csdn.net/weixin_43178406/article/details/98480427配套数据集

ARIMA模型MATLAB实现代码，通过一批现有数据（本代码中batch=100），向后预测后n个数据，n越大，预测效果越差。代码可以直接运行，有实例支持，可以很快上手。压缩包包括以下三部分：主程序（ARIMA_main.m），辅助函数（Inverse_BoxCox.m），测试数据（testdata.xls）。

计量经济学软件包;用以处理时间序列数据;回归方程的预测

用于仓储水位预测等等，该篇是一篇期刊。

对时间序列数据进行建立ARIMA模型，使用的语言是Python