比赛项目 Rossmann销售预测（Top3％）：Rossmann在7个欧洲国家经营着3000药店。结果，罗斯曼门店经理的任务是提前6周预测他们的日收益，商店的销售受到许多因素的影响，包括促销，竞争，学校和国家假日，重置和地域性，由于数以千计的管理者根据自己的特殊情况预测销售，结果的准确性可能会有很大的差异； NCAA 沃尔玛 能源预测③（排名前36％）：在本次竞赛中，基于ASHRA公司数据，在以下领域开发计量建筑能源使用的精确模型：冷水，电，热水和蒸汽表，数据来自超过1000栋建筑，历时三年，对这些节能投资的更好估计，大型投资者和金融机构将更加重视在这一领域投资，盔甲在提高建筑效率方面取

精确的预测结果可以为通勤者提供合理的出行建议，并进一步为交通管理提供帮助。现有的研究深入深度学习方法在时空特征提取方面已经有了显着的进展，诸如图卷积神经网络，长短期记忆网络模型等在此过程中发挥了重要的作用。而，仅将这些方法应用到具体的路网场景下的交通流量预测问题是不够合理的的，本文提出了一种优化的时空交通流量预测模型，将线图转换到道路交通拓扑结构的建造过程，并利用GCN实现了更有效的路网空间特征提取能力，特别是与传统的卷在真实的大型数据集的实验结果显示中，采用现有的较大模型，本文提出的模型对于交通流量的时空特征提取能力更强，有更准确的预测效果。

GCN_predict-Pytorch 交通流量预测。 用PyTorch实现图卷积网络（GCN，GAT，Chebnet） 要求： -火炬 -脾气暴躁 -熊猫 -Matplotlib 数据集示例： 数据集由Caltrans绩效评估系统（PEMS-04）收集 数量：307个探测器 日期：2018年1月至2月（2018.1.1——2018.2.28） 特色：流动，占据，速度。 探索数据分析： 1，具有流量，占用和速度三个特点，一是对数据分布进行可视化分析 2.运行代码：python data_view.py 3）每个节点（检测器）都有三个特征，但是两个特征的数据分布基本上是固定的，因此我们只采用一维特征。 读取数据集： 在traffic_dataset.py文件中，get_adjacent_matrix和get_flow_data函数用于读取相邻的矩阵和流数据。 模型训练： 在tra

本资源为深度学习交通流量预测的实战项目，其中包含了用LSTM，GRU以及CNN来进行流量预测的相关源码，整个项目的过程集数据预处理、模型训练与测评，性能展示于一体，代码结构良好，易于阅读，且在CSDN有本人相应的博客说明。

第1步 ——确定预测的目的 预测北京公交——2005年的客运量，这里的客运量只包括北京公交总公司承担的客运量，不包括地铁的客运量

5G 网络中超密集基站的部署规划、多维资源管理、活跃/休眠切换等方面都依赖于对区域内用户数量的准确预测。针对这一需求，提出了一种基于移动网络用户位置信息的区域人群流量预测的深度时空网络模型。通过建模不同尺度的时空依赖关系，融合各种外部特征信息，并以短时局部流量信息降低对实时全局信息传输的要求，实现了城市范围的区域人群流量预测，对提高5G网络性能具有重要意义。通过基于呼叫详单数据的区域人群流量预测实验表明，与现有流量预测模型相比，所提模型具有更高的预测精度。

基于循环神经网络的95598小尺度网络流量预测.pdf

循环神经网络学习流量预测lstm适用于初学者学习使用

交通流量序列具有不平稳性、周期性、易受节假日等因素影响的特点，因此交通流量预测是一项困难的任务。针对交通流量序列的预测问题，设计了一种基于深度学习的交通流量预测模型。模型融合了卷积神经网络和长短时记忆神经网络两种网络结构，卷积神经网络用于提取特征分量，长短时记忆神经网络综合提取出来的特征分量做序列预测。通过在贵州省高速公路车流量数据集上的验证，模型比传统的预测方法具有更高的精确度和实时性，在不同数据集上的泛化性能良好。

为了提高预测精度，提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction，CS-BPNN)。根据混沌理论建立网络流量学习样本，采用BP神经网络对学习样本进行训练，将模型参数当一个鸟巢，通过模拟布谷鸟寻窝产卵的行为找到最优模型参数，最后采用网络流量数据进行仿真实验，测试模型性能。仿真实验表明：所提出模型较好的解决了BP神经参数优化问题，能够获得更加理想的网络流量预测结果。