使用深度学习的方法做时间序列预测.zip

本文着重于通过考虑腺体的相互作用来改善神经内分泌模型的性能。与传统的神经内分泌模型相比，一个腺体的激素浓度受到其他腺体的调节，而细胞的重量则由改良的内分泌系统调节。设计了所有腺体之间的相互作用方程，并通过理论分析选择了它们的参数。由于当系统达到平衡状态时模型的所有参数都是常数，因此采用粒子群优化算法搜索模型的最优参数。理论分析表明，神经内分泌模型的性能优于或至少等于相应的人工神经网络。为了说明所提模型的有效性，对所提模型进行了测试，对一些文献中使用的不同研究领域的时间序列进行了测试，结果表明所提模型具有良好的性能。

阐述了支持向量机应用于大气污染物时间序列预测的具体方法，建立了大气污染物时间序列的支持向量机预测模型。该方法将支持向量机应用于大气污染物浓度预测：首先通过选择合适的信息量准则来确定模型阶数；而后通过实验的方法选择参数从而形成支持向量机的训练样本集，在此基础上建立了基于支持向量机的时间序列大气污染预测模型。实例表明，无论是在仿真过程还是在预测过程， 支持向量机都具有很高的预测精度。因此，采用支持向量机方法对大气污染物时间序列进行预测分析是可行的。

时间序列预测和分析Introduction to Time Series and Forecasting homework03-solutions.pdf

时序预测 | MATLAB实现HMM(隐马尔科夫)时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

时序预测 | MATLAB实现ARIMA时间序列预测（完整源码和数据） 本程序基于MATLAB的armax函数实现arima时间序列预测； 实现了模型趋势分析、序列差分、序列平稳化、AIC准则模型参数识别与定阶、预测结果与误差分析过程，逻辑清晰。 数据为144个月的数据集，周期为一年，最终实现历史数据的预测和未来两年数据的预报！

时序预测 | MATLAB实现Elman神经网络时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

时序预测 | MATLAB实现CNN(卷积神经网络)时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

时序预测 | MATLAB实现BP神经网络时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。