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。

python利用支持向量机SVM进行时间序列预测, 包括数据和python代码 python利用支持向量机SVM进行时间序列预测, 包括数据和python代码

改进SVM及其在时间序列数据预测中的应用 基于LS_SVM的交通流量时间序列预测 新型SVM对时间序列预测研究 支持向量回归机在铁路客运量时间序列预测中的应用

Tensorflow 2 DA-RNN 的Tensorflow 2（Keras）实现， 论文： : 安装 pip install da-rnn 用法 from da_rnn import ( DARNN ) model = DARNN ( 10 , 64 , 64 ) y_hat = model ( inputs ) Python Docstring符号 在此项目的方法的文档字符串中，我们具有以下表示法约定： variable_{subscript}__{superscript} 例如： y_T__i表示 ，在时间T第i个预测值。 alpha_t__k表示 ，注意权重在时间t测量第k个输入特征（驾驶序列）的重要性。 DARNN（T，m，p，y_dim = 1） 以下（超级）参数的命名与本文一致，但本文未提及的y_dim除外。 T int窗口的长度（时间步长） m in

接上文，本文介绍了CNN-LSTM模型实现单、多变量多时间步预测的家庭用电量预测任务。 文章目录1. CNN-LSTM1.1 CNN 模型1.2 完整代码 1. CNN-LSTM 1.1 CNN 模型 卷积神经网络（CNN）可用作编码器-解码器结构中的编码器。 CNN不直接支持序列输入；相反，一维CNN能够读取序列输入并自动学习显着特征。然后可以由LSTM解码器解释这些内容。CNN和LSTM的混合模型称为CNN-LSTM模型，在编码器-解码器结构中一起使用。CNN希望输入的数据具有与LSTM模型相同的3D结构，尽管将多个特征作为不同的通道读取，但效果相同。 为简化示例，重点放在具有单变量输

模糊聚类再回归方法在机场噪声时间序列预测中的应用

基于奇异谱分析的机场噪声时间序列预测模型