随着经济的快速发展，众多企业步入科学化管理的时代.销售预测是企业经营活动中必不可少的一个环节，预测的准确性直接关系到销售经营的成败.因此提出基于传统BP神经网络与时间序列预测模型为一体的改良BP神经网络预测模型，通过该模型的预测，可以更可靠地预测企业在未来单位时间内的销售额.改良神经网络参考了同步时间序列的预测做出了自我校准，并利用遗传算法达到通过校准得到自我优化的目的，简化网络结构，提高预测的准确度.
2022-05-02 09:09:30
1.17MB
1
数据准备
数据集（JetRail高铁的乘客数量）下载.
假设要解决一个时序问题：根据过往两年的数据（2012 年 8 月至 2014 年 8月），需要用这些数据预测接下来 7 个月的乘客数量。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df = pd.read_csv('train.csv')
df.head()
df.shape
依照上面的代码，我们获得了 2012-2014 年两年每个小时的乘客数量。为了解释每种方法的不同之处，以每天为单位构造和聚合了一个数据集。
从 2012 年 8
2022-05-01 16:19:31
725KB
1
在NARMA时间序列预测任务中训练和测试ESN网络，仿真速度较慢，使用matlab2021a中测试。
2022-05-01 09:06:43
92KB
时间序列分析是人们认识客观世界和自然现象的重要手段,近二十年来，时间
序列分析方法得到了迅速发展，且在众多的实际领域中广泛应用。与其相关的技术，
时间序列预测也已成为一个热门的研究领域，伴随着时间序列分析方法同步发展，
在许多领域里，时间序列预测发挥着重要的作用。预测是决策的基础，决策是预测
的延续。因此，准确的预测对做出正确的决策至关重要
为了提高时间序列预测效果和应用价值，众多研究工作者一直致力于该问题
的研究。特别在机器学习和深度学习方法迅速发展的今天，时间序列分析和预测方
法的研究发展迅速，但其效果在很多方面还不能满足实际应用的高要求，还有很多
的问题需要解决。本文以时间序列分析和预测为研究背景，主要对时间序列互相关
性分析、时间序列多尺度分析以及时间序列预测应用进行了研究。本文主要进行了
以下三个方面的研究。
(1)为了了解不同现象之间是否存在关联、存在何种关联以及关联强度如何，
本文对金融市场的相互作用和共同变化的现象进行了研究，同时全面系统地研究
了时间序列互相关性分析方法。为了揭示金融时间序列的动力学行为，基于多尺度
多属性的分析思想和MMA方法，结合Hurst指数直方
2022-04-27 20:07:05
5.08MB