在NARMA时间序列预测任务中训练和测试ESN网络，仿真速度较慢，使用matlab2021a中测试。

随着科学技术的不断进步，时间序列预测方法得到了很大的发展，目前常用的时 间序列方法有传统的时间序列预测方法和基于机器学习的预测方法。这些方法 使用方便，操作简单，预测精度高，在业界得到了广泛的应用，但是这些方法 用在不同的数据集中结果精度差距较大，不具有通用性。因此，目前很多研究 者采用组合预测方法和混合预测方法来提高这些预测方法的通用性，通过将不 同的传统时间序列预测方法和基于机器学习的预测方法相结合，充分利用各个 模型的优点，尽可能地提高时间序列预测的精度。 本文首先提出一种新的时间序列预测方法BP-SARIMA-ANFIS，该方法组 合了反向传播神经网络(BP)、季节性差分自回归移动平均模型(SARIMA)和自 适应模糊神经网络系统(ANFIS)。该方法首先用BP、SARIMA和ANFIS对原始 时间序列数据进行预测，然后取三种方法得到的预测结果的加权平均值。权值 系数在组合预测模型中有着非常重要的作用，本文采用微分进化算法(DE)优化 BP-SARIMA-ANFIS方法的加权系数。通过对澳大利亚新南威尔士州的电力负 荷数据进行模拟，并将BP-SARIMA-ANFIS方法的预测

Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 论文的数据集，反映了广泛的具有挑战性的多水平预测问题中普遍观察到的特征。每个数据集的大致描述如下： Electricity。UCI电力负荷图数据集包含370个客户的每小时总用电量，我们使用过去一周的数据(即168小时)来预测第二天(即24小时)的消耗量。 Traffic。UCI PEM-SF交通数据集描述了[41]中440条旧金山湾区高速公路的占用率（yt为[0，1]）。根据电力数据集，它也按小时级别汇总，具有相同的后退窗口和预测范围。 Retail。来自Kaggle competition[14]的Favorita杂货销售数据集，它结合了不同产品和商店的元数据，以及其他每天采样的外生时变输入。我们使用90天的历史信息预测未来30天的产品销售记录 Volatility.。OMI实现库[19]包含了31个股票指数的日实现波动值，这些波动值是根据当日数据计算出来的，同时还包含了日收益。在我们的实验中，我们使用过去一年的信息(即252个工作日)来考虑未来一周(即5个工作日)的预测

SARIMA(p,d,q)(P,D,Q,s) 季节性自回归移动平均模型，结构参数有七个 AR(p) 自回归模型，即用自己回归自己。基本假设是，当前序列值取决于序列的历史值。p 表示用多少个历史值来回归出预测值。 要确定初始 p，需要查看PACF图并找到最大的显著时滞，在 p 之后其它时滞都不显著。 MA(q) 移动平均模型，是对时间序列的误差进行建模，并假设当前误差取决于带有滞后的误差。可以在ACF图上找到初始值。 结合以上两种方法：AR(p)+MA(q)=ARMA(p,q)AR(p)+MA(q)=ARMA(p,q)AR(p)+MA(q)=ARMA(p,q)，就是自回归移动平均模型 剩下的参数

SPSS和Matlab进行时间序列预测 1.移动平均和滑动平均计算......

延迟深度回声状态网络及其在时间序列预测中的应用.pdf

java版的时间序列预测算法源码，是核心代码

基于BP网络的混沌时间序列预测的研究中北大学硕士论文-基于BP网络的混沌时间序列预测的研究.rar 基于BP网络的混沌时间序列预测的研究 【英文题名】 Research on the Prediction of Chaotic Time Series Based on BP Network 【作者中文名】 李众; 【导师】 王建中; 【学位授予单位】 中北大学; 【学科专业名称】 应用数学 【学位年度】 2008 【论文级别】 硕士 【网络出版投稿人】 中北大学 【网络出版投稿时间】 2008-10-14 【关键词】 BP神经网络; 混沌; 时间序列; 预测; 【英文关键词】 BP network; Chaos; Time Series; Prediction; 【中文摘要】 混沌时间序列的普遍存在性使得对于它的预测有着极为深刻的意义和丰富的内涵。本文研究了混沌时间序列的相关理论和方法,将BP神经网络应用于混沌时间序列预测中,并采用Matlab编程验证了其有效性和普适性。论文主要完成4个方面的工作: 1)介绍了混沌时间序列,论述了其可预测性、预测方法以及预测尺度。 2)相空间重构是对时间序列进行深层次信息挖掘的一种有效的方法。本文讨论了相空间重构中时间延迟与嵌入维数的选取以及Lyapunov指数的估计,并给出了相应算法。 3)将BP神经网络理论引入混沌时间序列预测领域,给出了BP神经网络拟和重构后所得函数关系的具体实现过程,并应用训练后的网络进行预测,经仿真表明了该方法的有效性,并给出了具体的应用实例。 4)讨论了BP网络参数设定的一般方法和优化参数的方法。 【英文摘要】 The prediction of chaotic time series has very abundant and profound meaning and can be widely applied. With a study on the relevant theory and methods, this paper applies BP neural network in the prediction of chaotic time series and its validity and universality are proved by matlab program. The paper can be summed up into as the following parts: 1)Chaotic time series is introduced and its predictability, methods and scales are mainly discussed as well. 2)Phase space reconstruction is an...

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。

机器学习实战项目——决策树&随机森林&时间序列预测股价.zip