时间序列预测 该存储库实现了时间序列预测的常用方法，尤其是TensorFlow2中的深度学习方法。 如果您有更好的主意，欢迎您贡献力量，只需创建PR。 如有任何疑问，请随时提出问题。 正在进行的项目，我将继续进行改进，因此您可能希望观看/加注此仓库以进行重新访问。 神经网络 波浪网 变压器 网络 拍子 甘 用法 安装所需的库 $ pip install -r requirements.txt 如有必要，下载数据 $ bash ./data/download_passenger.sh 训练模型如果需要，请设置custom_model_params （请参阅./deepts/models/

一种基于Python和BP神经网络的股票预测方法

贝叶斯神经网络建模预测方法及其应用

数学建模中几种常见的预测方法，能较好地进行数据的预测

在大数据时代，传感器网络，社交网络，互联网等不断且快速地生成大量数据。从大数据流中学习知识是一项重要任务，因为它可以支持在线决策。 预测是有用的学习任务之一，但是固定模型通常不能很好地工作，因为数据分布会随时间而变化。 本文提出了一种基于演化贝叶斯网络的流数据预测方法。 贝叶斯网络模型是基于高斯混合模型和EM算法来推导的。 为了支持基于流数据的演化模型结构和参数，提出了一种演化爬山算法，该算法基于到达新数据时分数度量的增量计算。 实验评估表明，该方法是有效的，并且优于流式数据预测的其他流行方法。

近年来,矿井突水事故不断发生,严重威胁煤矿的安全生产,为了保障矿工的人身安全,达到安全、经济、高效的目的,在煤矿开采之前进行矿井突水预测很有必要,也具有显著意义。本文介绍了矿井突水预测的理论方法,如突水系数法、突水概率指数法、"下三带理论"预测法等,虽然每个理论方法都存在各自的优缺点,但是能够为突水预测提供理论的基础依据,为预防矿井突出事故提供帮助。

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归(Gaussianprocessregression,GPR)方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预

统计预测方法之中的一些数据.xlsx

渣浆泵现场寿命的预测方法.rar

基于perl语言的高分子材料玻璃化转变温度的预测方法研究，杨海霞，杨潞霞，为了方便快捷地使用Materials Studio分子模拟软件预测出高分子材料的玻璃化转变温度（Tg），本文在使用Materials Studio软件时引入Perl语言，�