2020-2025年中国通用动力机械行业发展趋势预测与发展战略咨询报告.pdf
2021-03-08 14:01:35
89.18MB
2020-2025年中国通信PCB行业发展趋势预测与发展战略咨询报告.pdf
2021-03-08 14:01:35
89.06MB
2020-2025年中国铁路装备行业发展趋势预测与发展战略咨询报告.pdf
2021-03-08 14:01:34
91.77MB
天池大赛第六名。这个赛题不是典型的分类、聚类问题，而是时间序列问题，这种时间序列问题，主要在于学习出周期性和趋势。为了达到学出周期性和趋势的目标，可以试用统计学中典型的时间序列模型如STL分解和ARIMA，这样的模型的优点是便捷，弱点是像个黑盒，不太便于添加更多特征。
2020-01-03 11:37:58
12.55MB
1
Hurst指数是描述非函数长周期的重要指标。它有别于传统单位根检验，可以发现时间序列存在的超长周期性，可以用于判断市场风险，但运算相当繁琐
2020-01-03 11:16:41
2KB
1
这是一篇2008年6月的硕士毕业论文，详细的介绍了基于时间序列的数据挖掘算法在股票数据的分析和预测。其中在多元时间序列跨事物关联规则分析高效处理算法optimize基础上改进，用二维时间模式进行分析。
2019-12-21 21:16:02
3.72MB
1
细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行 准确预测研究。[方法/过程] 提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领 域为例利用主题概率模型识别 WOS 核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取 BP 神经网络、支持向量机及 LSTM 模型等 3 种典型机器学习算法进行预测分析，最后利用 RE 指标和精准度指标评 价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。 [结果/结论] 实 验表明基于 LSTM 模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP 神经网络预测 效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋 势，可为我国学科领域大势研判和架构调整提供决策支持和参考
2019-12-21 19:48:58
1.69MB
1