时间序列预测——时序卷积网络中用到的tcn库文件。

基于matlab2019a编写的程序 深度置信网络时间序列预测，已经调好的程序，换了数据就可以用。无标签训练 划分训练集和测试集

MATLAB实现LSTM(长短期记忆神经网络)时间序列预测

MATLAB实现GRU(门控循环单元)时间序列预测

相关cnn、lstm、gru、tcn等等一些优化过后的用于时间序列预测的方法。还有EMD、小波等算法的实现。有需要的可以私聊，可以不用积分。

训练数据集包含大约145k时间序列。从2015年7月1日至2016年12月31日，每个时间序列都代表着一篇不同的Wikipedia文章的大量每日视图。培训阶段的排行榜基于2017年1月1日至3月的流量2017年1月1日。 第二阶段将使用直到2017年9月1日的培训数据。竞赛的最终排名将基于数据集中每篇文章在2017年9月13日至2017年11月13日之间的每日观看次数预测。您将在9月12日之前提交这些日期的预测。 对于每个时间序列，都会为您提供文章名称以及该时间序列所代表的流量类型（所有，移动，台式机，蜘蛛网）。您可以使用此元数据和任何其他公共可用数据进行预测。不幸的是，该数据集的数据源无法区分零流量值和缺失值。缺少值可能意味着流量为零或当天没有可用数据。 为了减小提交文件的大小，已为每个页面和日期组合指定了较短的ID。页面名称和提交ID之间的映射在密钥文件中给出。 business-size_1x.png Web Traffic Time Series Forecasting_datasets.txt

澳大利亚旅游数据集的时间序列和预测 对于这个项目，我一直在使用几种不同的算法，每种算法都有明确的解释： 数据集探索 数据预处理 时间序列分析 ARIMA的时间序列预测 先知的时间序列预测 LSTM样本外预测 LSTM对未来的一步一步预测 希望你能在学习的同时享受:)

Prophet的自带数据集。Facebook开源。 在官网可以下载到。https://github.com/facebook/prophet/blob/master/examples/example_wp_log_peyton_manning.csv

本文致力于一种涉及非线性自回归算法的时间序列预测方案及其应用。 该方案是通过包含隐藏层的人工神经网络来实现的。 作为训练算法，我们使用比例共轭梯度（SCG）方法和贝叶斯正则化（BReg）方法。 第一种方法适用于无噪声的时间序列，而第二种方法也适用于嘈杂的数据集。 我们将建议的方案用于预测使用50和100过去值的石油和天然气定价中产生的时间序列。 提出并讨论了数值模拟的结果。

灰色预测模型适合小样本时间序列预测。