资源包含文件：设计报告word和pdf两个版本+源码及数据 box-cox 变换目标值“price”，解决长尾分布。 删除与目标值无关的列，例如“SaleID”，“name”。这里可以挖掘一下“name”的长度作为新的特征。 异常点处理，删除训练集特有的数据，例如删除“seller”==1 的值。 缺失值处理，分类特征填充众数，连续特征填充平均值。 其他特别处理，把取值无变化的列删掉。 异常值处理，按照题目要求“power”位于 0～600，因此把“power”>600 的值截断至 600，把"notRepairedDamage"的非数值的值替换为 np.nan，让模型自行处理。 详细介绍参考：https://blog.csdn.net/sheziqiong/article/details/125362504

论文研究-基于SSA-ELM的大宗商品价格预测研究.pdf,  随着经济全球化的发展，国际期货市场中各大类大宗商品价格波动剧烈，而全球经济形势不明朗以及货币政策不确定使得大宗商品期货价格难以被准确预测.本文选取玉米，原油，黄金分别作为大宗商品农产品类、能源类、金属类的代表对象，基于奇异谱分析方法（singular spectrum analysis，SSA），对商品期货价格进行分解，结合Kmeans动态聚类技术将分解量聚合成不同特征的价格序列，再采用具有优良特性的极限学习机算法（extreme learning machine，ELM）对模型进行训练，得到大宗商品期货价格预测模型.实证结果表明，采用序列分解聚类策略能够显著提高模型预测精度，在价格未来的整体水平和变动方向上都能达到较好的预测效果.

压缩包内含：基于LSTM的股票价格预测_数据+代码+报告，可以最为数据挖掘的大作业。股票作为人民金融投资的普遍方式，如何在股票中赚钱成为股民的共同目标。要想在股票交易中赚钱便要掌握股票的走势，因此股票价格预测工作引起社会及学术界的广泛关注。股票的走势随市场变动，而且受诸多因素影响，如国际环境，政策变化，行业发展，市场情绪等等，这使得股民很难预测股票的走势。理论上，根据股票以往的价格走势，可以预测股票的未来走势。因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络对股票进行预测。虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。Hochreiter 和 Schmidhuber 提出的长短期记忆（ Long Short-Term Memory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。因此，本文基于LSTM实现一个股票价格预测模型。

化工产品价格预测和管理系统的开发

城市居民食品零售价格预测-ARIMA模型的应用，文小兵，童恒庆，本文通过2010年3月到2011年2月城市居民食品零售的消费价格预测2011年4、5月的城市居民食品零售价格走势。引进食品零售价格指数和膳食�

.研究意义 目前有人在对房屋价格的研究上已经取得了诸多成果，大多数人主要从政治、经济、政策、人口等宏观层面对房屋价格进行了分析，也有少数学者从房屋建筑硬件设施等微观因素展开了研究，也取得了较好的预测效果，但目前这方面还是相对较少。鉴于此，我将根据比赛的数据，构建特征变量集，选取有代表性的特征变量，在已有数据的基础上，对数据进行处理，使用机器学习算法分析房价问题，选择预测模型将其用于预测测试集的房屋价格。 此外，无论是对于监管者还是消费者，是房产中介机构还是房地产开发商，只有深入了解房地产交易市场，才能进行合理监管与规划；高效率推广房源，在能满足购房者需求的前提下科学定价，提高市场竞争优势；有效规避风险，降低不必要的损失等。所以预测房屋价格能为人们在住房购买方面提供更多选择，具有一定的参考作用。 3.题目描述 购房者描述了他们梦想中的房子，他们可能不会从地下室天花板的高度或东西向铁路的距离开始。但这些数据证明，影响价格谈判的因素远大于卧室数量或白色栅栏。题目给出的变量几乎描述了爱荷华州艾姆斯市住宅的各个方面。根据题目所给出的训练集和测试集的数据，分析题目所给的80个变量，预测出测试集中

数据可以在官网下载 方案与文件

可用于电价预测和负荷预测，时间间隔为半小时，包括从2006年1月1日到2011年1月1日的数

为了验证股票的价格运动与过去应该是相似的这一假设，运用K近邻算法，将价格运动简单划分为涨跌两类进行预测，进行假设验证。使用滑窗方法比较现在的价格运动与何时的历史价格更为相似，将多个K近邻模型组合成集成模型，实现模型的泛化和策略收益的调整。使用中证500指数的历史价格数据进行预测实证，2017年～2018年9月的预测结果显示单个K近邻模型策略获得76.72%的收益，现在的价格运动与遥远的过去更为相似，集成模型能更好地控制风险。该模型利用K近邻模型的含义验证了股票价格运动具有相似性，可以作为证券交易的择时策略。

汽车价格预测-高度线性预测项目：一种线性回归模型，用于预测美国市场的汽车价格，以帮助新进入者了解美国汽车行业的重要定价变量。 高度全面的分析，详细说明所有步骤； 数据清理，探索，可视化，特征选择，模型构建，评估和MLR假设有效性