subway_traffic_forecast-tianchi 萌新开源,大佬些多给点指导。 天池全球城市计算AI挑战赛-地铁人流量预测, A榜22/2319,该代码是A榜代码,如果能有所收获,老铁右上角,star一下,感谢! 队友:buger,taoberica、selina雪,感谢鱼佬baseline, A榜代码有部分是借鉴鱼佬开源代码, 没能进入决赛也就不开源淘汰赛的代码了。 数据集下载: 链接: 提取码: arse 比赛链接; 目前还有一些未来得及验证的想法,有兴趣的大佬些可以试试看。 a.将间隔十分钟改为间隔五分钟,相对增加了数据量 b.将shfit后的前三天删掉,因为shift后前三天引入了很多0 c.除了shift最近三天的策略,还可以试试shift最近两天+上一周相对应的week的数据 d.最开始也试了lgb模型,效果比xgb差点,可以将xgb和lgb采用blending
2021-06-26 16:15:41 6KB 附件源码 文章源码
1
安装它 npm install weatherman.io 需要它 var weatherman = require ( "weatherman.io" ) ; 创建气象员 var alRoker = new weatherman ( "your-forecast-io-api-key" ) ; 创建一个有选项的天气预报员 var options = { units : "uk" , exclude : [ "minutely" , "alerts" ] , extend : "hourly" } ; var alRoker = new weatherman ( "your-forecast-io-api-key" , options ) ; Forecast.io 开发人员文档中提供了有关每个选项的详细信息: : 从一个位置进行预测 var for
2021-06-23 16:05:12 4KB JavaScript
1
2015年天池大数据竞赛-新浪微博互动预测大赛第一赛季最新baseine 线上baseline结果为:29.327938% 语言版本:python3.4 运行环境:eclipse 数据集:第一赛季9月17日更换后的最新数据,可到官网下载( 操作步骤: 1、在data文件下导入第一赛季最新数据weibo_train_data.txt和weibo_predict_data.txt 2、运行main.py即可,并在data下生成多个中间文件 结果:线下整体准确率为0.3002991674930433,线上整体准确率为29.327938% csdn分享地址: 版权声明:baseline为作者原创,供大家学习。
2021-06-19 10:32:32 10KB Python
1
matlab代码做游戏DCS-天气预报 使用Digital Combat Simulator中的动态天气对任务天气进行预测。 该程序处于Alpha状态!!!!!!! DCS中的动态天气系统取决于在任务编辑器中放置伪旋风。 游戏引擎从这些伪酵母菌中计算出游戏中的天气系统。 该程序尝试重新设计各种变量,从而导致任务天气变差。 假设条件 有关天气系统的所有设置都存储\Saved Games\DCS\MissionEditor\weather\dynamic in lua files. 在那里,我们可以访问所有数据。 描述了伪旋风分离器,该伪旋风分离器描述了源自1013.25 hPa的标准压力。 伪旋风由以下变量描述: cyclones = { [1] = { pressure_spread = 926611.52796014, centerZ = 329105.91683564, groupId = 1025, ellipticity = 0.92677819465987, rotation = 2.4791538842831, pressure_excess = -8000, center
2021-05-21 21:02:56 3.16MB 系统开源
1
WRF-4.2.2-安装脚本 这是一个脚本,用于安装所有库,软件,程序和地静数据,以运行Weather Research Forecast Model(WRF-4.2.2),并可以选择运行3DVAR和4DVAR观测数据。 安装 (确保将文件夹下载到您的主目录中): git clone chmod + x WRF_ARW_INSTALL.sh ./WRF_ARW_INSTALL 在安装之前,请确保阅读WRF_ARW_INSTALL.sh脚本。 我已经提供了有关脚本正在执行的操作的评论以及有关配置文件的信息。 WRF安装具有并行过程。 下载并安装WRF所需的库和数据文件。 在Ubuntu 20.04 LTS中测试 内置64位系统的32位选项可能需要对代码进行较小的更改。 在03/15/2021使用当前可用的库进行了测试 如果存在较新的库,请编辑脚本路径以进行更改 预计运行时间〜
2021-05-10 22:42:58 4KB linux weather forecast-model ubuntu2004
1
基于深度学习框架的房价预测,包含代码和数据集
2021-04-12 12:00:24 22KB 深度学习
1
passenger_flow_forecast 创新项目-地铁客流预测 深度学习+地铁客流预测使用价值超级高,肯定 正在更新的分支有: wyh分支: 通过搭建一个Web软件来实现数据的可视化。 当前进度:数据库已有雏形,前端开始一点点,后端还未开始
2021-03-31 19:56:12 7.17MB HTML
1
Create React App入门 该项目是通过引导的。 可用脚本 在项目目录中,可以运行: yarn start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑,则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行器。 有关更多信息,请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React,并优化了构建以获得最佳性能。 生成被最小化,并且文件名包括哈希值。 您的应用已准备好进行部署! 有关更多信息,请参见关于的部分。 yarn eject 注意:这是单向操作。 eject ,您将无法返回! 如果您对构建工具和配置选择不满意,则可以随时eject 。 此命令将从您的项目中删除单个生成依赖项。 而是将所有配置文件和传递依赖项(webpack,
2021-03-31 10:07:14 379KB JavaScript
1
Covid19_ARIMA-预测 目标 该项目的目的是使用ARIMa模型来预测2021年2月11日至2021年3月3日北卡罗莱纳州,北达科他州,内华达州,新罕布什尔州和新泽西州的COVID-19病例和死亡 脚步: 使auto.arima(p,d,q)x(P,D,Q)模型适合每个州的病例和死亡的两个时间序列 适合被认为合适的替代ARIMA模型 对最佳模型的预测结果取平均值,对替代模型子集的预测结果取平均值
2021-03-31 10:06:29 10KB R
1
免责声明:该项目是一个私有开源项目,与Deutscher Wetterdienst没有任何联系。 该集成使用从Deutscher Wetterdienst(DWD)获取天气数据。 该集成基于DWD的及其。 请注意,“当前”天气值不是测量值。 显示的值是实际小时的预测值。 预测本身每6小时更新一次。 如果有人知道实际测量的来源,请告诉我。 安装 通过HACS安装集成。 在HA UI中,转到“配置”->“集成”,单击“ +”并搜索“ Deutscher Wetterdienst”。 您可以根据需要在任意多个电台重复此操作。 请遵循安装说明。 配置 通过UI完成配置。 如果在设置对话框中插入station_id,则将覆盖坐标并改用特定的station_id。 如果需要,可以在找到可能的station_id。 如果愿意,您可以在传感器安装过程中更改天气预报的间隔。 为此,您必须在相关字段
2021-03-17 20:12:40 19KB weather hass home-assistant weather-forecast
1