时序预测 | MATLAB实现SVM(支持向量机)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。

timeseries-lstm-keras：基于Jason Brownlee教程，在Keras中使用LSTM递归神经网络在Python中进行时间序列预测

分别使用LSTM、ARIMA和Prophet三种时间序列预测算法实现单变量周期性数据的预测。

LSTM-时间序列预测

利用数据挖掘技术分析外汇汇率时间序列,从时间序列中获得正确的、隐含的、潜在的信息对于金融领域研究具有重 要的现实意义。通过数据挖掘中的 ARIMA模型,以某银行的外汇汇率时间序列为研究对象,采用差分方法和建模规则,对 外汇的卖出价进行了建模与预测。通过与逐步自回归预测模型相比较,ARIMA模型对外汇汇率时间序列数据具有很强的 预测能力。

时序预测 | MATLAB实现CNN-LSTM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MATLAB2020b及以上。

为了解决神经网络算法预测海量金融时间序列数据会出现训练速度慢，内存开销大等问题，提出一种基于最小二乘支持向量机的复杂金融数据时间序列预测方法。该方法将传统的支持向量机中的不等式约束改为等式约束，且将误差平方和的损失函数作为训练集的经验函数，这样把二次规划问题转化为求解线性方程组问题，提高求解问题的速度和收敛精度。实验中以证券指数为实验数据，对大批量金融数据进行了时间序列预测，相比于神经网络预测方法，该方法在大批量金融数据时间序列预测的训练时间、训练次数和预测误差上都有了明显提高，对复杂金融时间序列具有较好

时序预测 | MATLAB实现SVM(支持向量机)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。