（1）自回归（AR） （2）移动平均线 （3）自回归移动平均线 （4）自回归综合移动平均线（ARIMA） （5）季节性自回归综合移动平均线 (SARIMA) （6）具有外生回归量的季节性自回归综合移动平均线 (SARIMAX) （7）带有 ARIMA 误差的回归模型 （8）向量自回归（VAR） （9）GARCH 模型 （10）Glostan、Jagannathan 和 Runkle GARCH 模型

一种基于Python和BP神经网络的股票预测方法

在了解SSA时候从文献中看到该预测方法，并将其实现，通过简单的案例测试了该方法，并得到较好的预测结果。当然该方法对非平稳序列的预测、长时序预测的效果怎样还未知，需要进一步验证，这里将代码进行整理和分享。

光伏电站短期发电功率预测方法研究，新的算法仿真

建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。

准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上，提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点，实现了数据降维并且保持了交通流序列的特征，因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性，预测平均误差为3.4%。

原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战，采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列，有效地提高了预测精度，避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA)，将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型，扩大了参数搜索范围，提高了优化收敛速度；通过风速风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。

提出了基于相关性分析的风电场群风速分布预测方法，首先以空间降尺度的思路，给出了基于修正经验变异函数的风电场群相关性区域划分方法，将风电场群划分为若干个相关性区域；以此为基础，利用空间升尺度的思路，运用经验累积分布函数，考虑相关性区域内参考风电场与目标风电场的相关性，以参考风电场风速来求取目标风电场风速，从而得知相关性区域内的风速分布，结合各个相关性区域的风速描述，最终得到整个风电场群内的风速分布。以实际风电场监测数据为基础的仿真算例验证了所提方法的可行性和有效性。

预测方法 Matlab代码与数据，教程

人工智人-家居设计-短期电力负荷的智能化预测方法研究.pdf