Matlab

时间序列预测续应用案例数据.mat

小波神经网络的时间序列预测——短时交通流量预测

LHCnn：一种利用卷积神经网络的新型高效多元时间序列预测框架

主要介绍了详解用Python进行时间序列预测的7种方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

在这里，您将找到用于混沌时间序列预测任务的径向基函数神经网络 (RBF-NN) 的两种变体。 特别是，我以常规方式实施了RBF，并将其性能与时空RBF-NN进行了Mackey-Glass时间序列预测。 * 对于引文，请参阅 [引用为] 部分

基于LSTM的序列预测-机月流量预测项目代码，原始博客地址：https://panjinquan.blog.csdn.net/article/details/120918732

预测AUCORP Preempcion de Valores en系列de Tiempo（预测时间序列）usando MLP，LSTM-RNN 重要信息Entrega 2-Python 08/09/2019： : Entrega 1-Weka： : Analisis Normalizado： ： Analisis否Normalizado： : 配置 正确的Jupyter笔记本电脑实物尺寸和尺寸2 配置1 Entorno Conda进口商品：（ Para进口商品，包括Anaconda 3。 La版本de python和demas estan determinados en el siguiente entorno） 配置2 配置指令 相依性： Python 3.6 （不推荐使用ES基本版con sta版本ya que Py3.7 no corren algu

长短期记忆递归神经网络具有学习长的观察序列的潜力。 这对于时间序列预测似乎非常不错，并且事实的确可能是这样的。 在本教程中，你将了解，如何对于一个一步单变量时序预测问题开发一个LSTM预测模型。 完成本教程后，您将知道： 如何为预测问题制定性能基准。 如何为一步时间序列预测设计一个强大的测试框架。 如何准备数据，开发和评估用于时间序列预测的LSTM递归神经网络。 1. 洗发水销售额数据集； 2. 测试设置； 3. 持续性模型预测； 4. LSTM数据准备； 5. LSTM模型开发； 6. LSTM预测； 7. 完整的LSTM例子； 8. 开发稳健的结果； 9. 教程扩展。

ESN(回声状态网络)是一种新型的递归神经网络,可有效处理非线性系统辨识以及混沌时间序列预测问题.针对ESN学习算法中可能存在的解的奇异问题,利用岭回归方法代替原有的线性回归算法.通过贝叶斯或Bootstrap 方法确定岭回归方法中的正则项系数,从而有效地控制输出权值的幅值,改善ESN的预测性能.该方法在月太阳黑子预测问题中显示出较好的结果.