对于许多分析师和研究人员而言，预测特定股票的价格一直是一项艰巨的任务。 实际上，投资者对股票价格预测的研究领域非常感兴趣。 但是，提高预测单个股票价格的准确性确实是一项艰巨的任务。 因此，在本文中，我提出了一种序贯学习模型，用于使用LTSM-RNN方法预测带有公司行为事件信息和宏观经济指标的单个股票价格。 结果表明，该模型有望成为预测具有公司行为和公司发行等变量的单个股票的价格的有前途的方法。

IMU-PLOS_LSTM 使用LSTM网络通过PLOS训练IMU数据-这是自定义LSTM-RNN。 在这里，每个示例都应写入到csv中。 一个csv的训练示例包括[时间步数（窗口大小*（类数+功能昏暗））]

Time series forecasting using LSTM.

假新闻检测 参考相关作品，并根据越南文文章建立基于LSTM和CNN的虚假新闻检测模型。

今天小编就为大家分享一篇pytorch 利用lstm做mnist手写数字识别分类的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

事前预测和识别可疑活动是非常有益的，因为它可以增强对视频监控摄像机的保护。 在执行之前检测和预测人类的动作具有多种用途，例如自动机器人，监视和医疗保健。 本文的主要重点是监视视频中人为行为的自动识别。 3DCNN（3维卷积神经网络）基于3D卷积，在那里捕获了多个相邻帧中编码的运动信息。 3DCNN与Long short team memory（LSTM）和双向LSTM相结合，可根据对视频流中事件的以往观察来预测异常事件。 可以看出，与带有双向LSTM的3DCNN相比，带有LSTM的3DCNN导致精度提高。 实验是在UCF犯罪数据集上进行的。

基于LSTM的流量预测 该项目旨在通过的前端，将LSTM用于流量预测。 超参数优化用于查找网络的最佳参数集。 用法 跑步： pip install -r requirements.txt 然后编辑以便它使用您自己的网络参数。 它将尝试将超参数结果存储在mongodb中。 您可以使用查看它们。 请记住，这仅用于实验，不适用于生产。 使用以下命令运行： python main.pymain.py CSV格式应为以下格式： timestamp,16,17,18,19,20,21 2011-12-31 23:55:00,4,6,8,13,3,0 2012-01-01 00:00:00,

使用LSTM aka语言建模进行句子预测 LSTM文字按字生成。 用于根据输入的单词或句子生成多个句子建议。 有关项目详细信息的更多信息，请参见与此项目相关联的。 响应：仅生成1个私钥，即生成描述的单词数 Input: hydrant requires repair Output: hydrant requires repair is not working Input: describe the problem Output: describe the problem please attend to Input: door and window Output: door and window in the kitchen is not working in the Input: machine is leaking Output: machine is leaking and need

流量预测 拟议的概念证明，用于解决智​​能城市的交通拥堵和预测问题。 二手-LSTM（用于将来的预测）+ CNN（用于检测流量密度）+实时推文将所有这三种方法结合起来以产生流量拥塞因子（TCF），并在将来的任何时候使用Google API提出基于此的路由建议。 内容 - 公用文件夹- 截至9月18日的TCF数据 LSTM预计到9月18日的时间 src文件夹-React应用程序 实用程序文件- tweets_realtime.py-删除有关流量的地理位置标记的tweets tempserver-临时服务器，将所有从抓取中获得的推文排队，并充当React应用程序的API。 屏幕截图 注意：代码清理仍在进行中，该项目是为黑客马拉松而设计的