Predict-pm2.5 Abstract Course: Data Mining Research & Practice (NCTU) This project is the 4th homework of this course. The topic of this project is to handle the series data. Requirements 请使用10和11月资料当作训练集，12月之资料当作测试集， 将前六小时的污染物数据做为特征，未来第一个小时/未来第六个小时的pm2.5数据为预测目标 使用两种模型Linear Regression 和Random Forest Regression 建模并计算MAE 资料前处理 a. 取出10.11.12月资料 b. 缺失值以及无效值以前后一小时平均值取代(如果前一小时仍有空值，再取更前一小时) c. NR表示无

asccvd_predict （ASCVDPredict服务器） 构建设置 # install dependencies npm install # serve with hot reload at localhost:8080 npm run dev # build for production with minification npm run build # build for production and view the bundle analyzer report npm run build --report # run unit tests npm run unit # run e2e tests npm run e2e # run all tests npm test 有关工作原理的详细说明，请查看的和。

深度预测房价EDA 在该项目中，使用Kaggle's competition数据集。 在此过程中，我们将经历： 使用IQR和z-score方法去除异常值 可视化categorical变量和continuous变量 如何处理string dtype列以构建machine learning model 处理missing价值 入门 该可在Kaggle上使用，可在创建该笔记本的相同环境中使用，即使用所使用的相同版本的软件包等。 发现 要了解EDA阶段的发现，请进入 机器学习模型 学习曲线 RMS和R2分数 根据实际值可视化我们的预测 执照

预报_未来_销售 这项挑战是“如何赢得数据科学竞赛” Coursera课程的最终项目。 在本竞赛中，您将使用具有挑战性的时间序列数据集，其中包括每日销售数据，该数据集由俄罗斯最大的软件公司之一-1C公司提供。 我们要求您预测下个月每个产品和商店的总销售额。通过解决这一竞争，您将能够应用和增强您的数据科学技能 系统会为您提供每日历史销售数据。任务是预测测试集在每个商店中售出的产品总数。请注意，商店和产品的清单每月都会略有变化。创建可以处理此类情况的可靠模型是挑战的一部分。 文件描述：sales_train.csv-训练集。 2013年1月至2015年10月的每日历史数据。 test.csv-测试集。您需要预测这些商店和产品在2015年11月的销售情况。 sample_submission.csv-格式正确的示例提交文件。 items.csv-有关项目/产品的补充信息。 item_ca

感兴趣的问题是施用率的预测。想象一个用户访问一个网站并执行工作搜索。申请率定义为申请的比例（访问工作描述页面之后），目标是使用下一节中描述的数据集来预测该指标。 file/opensearch/documents/92893/Apply_Rate_2019.csv

arima的matlab代码使用 ARIMA-LSTM 混合模型进行相关预测 我们应用了 ARIMA-LSTM 混合模型来预测两种资产的未来价格相关系数 我的论文草稿上传到 . 我愿意对我的工作发表任何评论。 请给我发电子邮件。 我真的很感激反馈:) 论文摘要 预测未来时间段内两种资产的价格相关性在投资组合优化中很重要。 我们应用 LSTM 循环神经网络 (RNN) 来预测两只个股的股价相关系数。 RNN 能够理解时间依赖性。 LSTM 单元的使用进一步增强了其长期预测特性。 为了在模型中同时包含线性和非线性，我们也采用了 ARIMA 模型。 ARIMA 模型过滤数据中的线性趋势并将残差值传递给 LSTM 模型。 ARIMA LSTM 混合模型针对其他传统预测财务模型进行了测试，例如完整历史模型、恒定相关模型、单指数模型和多组模型。 在我们的实证研究中，ARIMA-LSTM 模型的预测能力明显优于所有其他金融模型。 我们的工作意味着值得考虑使用 ARIMA LSTM 模型来预测投资组合优化的相关系数。 1. Github 代码阅读指南 我的源代码和文件可以分为三个部分。 第 1 部分.

学生成绩直播课作业

Automobile-sale-predict 主要代码在sale_quantity_feature.ipynb中 最终结果将往前月份的销量作为特征,进行预测

facebook prophet 使用教程.docx . 详细的介绍了时间序列模型的使用方法和原理，该模型是来自Facebook的prophet模型，有很好的时间序列预测功能。

用LSTM预测库存 该项目包括使用LSTM对库存数据进行培训和预测的过程。 特点是同伴： 简洁模块化 支持pytorch，keras和tensorflow的三个主流深度学习框架 参数，模型和框架可以高度定制和修改 支持增量培训 支持同时预测多个指标 支持预测任意天数 支持列车可视化和日志记录 中文介绍可以参考： : pytorch对股票高价和低价的同时预测结果如下：