基于Seasonal-Trend的时间序列预测（PyTorch完整源码和数据）
基于Seasonal-Trend的时间序列预测（PyTorch完整源码和数据）
基于Seasonal-Trend的时间序列预测（PyTorch完整源码和数据）
Seasonal-Trend
时间序列预测
PyTorch
完整源码和数据
2022-11-25 12:26:57
4.73MB
基于DSN(动态稀疏网络)的时间序列分类（Python完整源码和数据）
基于DSN(动态稀疏网络)的时间序列分类（Python完整源码和数据）
基于DSN(动态稀疏网络)的时间序列分类（Python完整源码和数据）
DSN
动态稀疏网络
时间序列
时间序列分类
2022-11-25 12:26:56
19KB
基于LSTM神经网络的时间序列预测（Python完整源码和数据）
基于LSTM神经网络的时间序列预测（Python完整源码和数据）
基于LSTM神经网络的时间序列预测（Python完整源码和数据）
2022-11-25 12:26:55
108KB
这是 “LSTM时间序列预测任务” 案例中使用到的数据集，该案例我已在Blog中分享，欢迎下载该数据集。
2022-11-23 12:02:11
89KB
1
基于GNN和ARIMA的时间序列预测（Python完整源码和数据包）
一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。
基于GNN和ARIMA的时间序列预测（Python完整源码和数据包）
一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。
2022-11-23 11:26:30
5KB
MATLAB实现BO-GRU贝叶斯优化门控循环单元时间序列预测（完整源码和数据）
数据为单变量时间序列数据，
运行环境MATLAB2020b及以上，
程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。
2022-11-22 20:26:28
595KB
石油消耗
建立时间序列模型以预测美国住宅部门消耗的石油
在过去的45年中，美国的石油消费发生了巨大变化。 住宅部门的美国石油消费量（以每天千桶计）惊人地下降。 这里提取了多年趋势和季节性成分，以更好地了解石油消费的变化。 此外，使用1984年1月至2018年9月的数据构建了时间序列模型，并使用2018年10月至2019年9月的数据来测试哪种模型的预测效果更好。
用于时间序列分析的数据是“ MER_T03_07A.csv”，可从美国能源信息管理局（eia）（ ）下载。
2022-11-22 20:12:56
2.13MB
1
MATLAB实现CNN-GRU卷积门控循环单元时间序列预测（完整源码和数据）
卷积门控循环单元时间序列预测，数据为单变量时间序列数据,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。
运行环境MATLAB2020b及以上，运行主程序即可。
2022-11-22 11:25:26
281KB