1.使用csv_create.py将data文件中的excel文件转为csv文件并保存在data文件夹中； 2.使用csv_split.py将data中的csv文件分为训练集、测试集保存在hf文件夹中； 3.Housing_test1.py为任务1房地产均价预测，采用线性回归模型，结果保存在results/Housing_LR文件夹中； 4.Housing_test2.py为任务1房地产均价预测，采用K邻近回归模型，结果保存在results/Housing_KNN文件夹中； 5.Housing_test3.py为任务2小区的价值评价，采用线性回归模型，采用填零法或是均值法预处理数据缺失，结果保存在results/Housing_LRplus或者results/Housing_LRplus2文件夹中； 6.Housing_test4.py为任务2小区的价值评价，采用K邻近回归模型，采用填零法或是均值法预处理数据缺失，结果保存在results/Housing_KNNplus或者results/Housing_KNNplus2文件夹中；

可选材料1-采用模糊逻辑理论的覆冰厚度预测模型

PPS的源代码，A Population Prediction Strategy for Evolutionary Dynamic Multiobjective Optimization

摘要：本文主要对中国人口增长的中短期和长期趋势做出预测，并用得到的数据对老年、少儿人数、社会抚养比等进行分析。在对人口预测进行分析时，人口预测模型应符合人口繁衍变化的自然特征、符合社会经济实践的不同需求且应具有反映人口随时间变动而变动的特性。而影响人口增长的主要因素有生育率、死亡率、迁移、人口年龄结构。基于上述原则，我们选择了Leslie矩阵模型作为基础，并根据具体情况作出改进，建立相应的人口增长预测模型。在参数的设定上，考虑了前面计算结果对后面参数的影响，且时间跨度越小，影响越显著，这样从一定程度上更符合实际情况。通过对新建模型及结果的详细分析，我们有以下结论：(1） 短期内，人口压力不会得到缓解。(2）未来老年人口呈快速递增态势。(3）未来少儿人数呈波浪式减少态势。(4)社会抚养比近30年较低，未来有升高的趋势。(5）男女比例呈现波动态势，未来还有升高趋势。最后本文对模型进行了评价，给出了模型的优缺点。 关键字：年龄移算法；净迁移人数；直接延续认定法；分时段设置法；Leslie矩阵

基于灰色理论与神经网络的水质组合预测模型的研究是当前水质预测领域的研究热点之一，国内外众多研究者都在尝试如何将灰色理论与神经网络进行有效组合，以获得更好的预测效果。因此，本文在借鉴前人的成果基础上，采用串联组合方法分别对基于灰色理论与 神经网络的水质组合预测模型、基于灰色理论与 神经网络的水质组合预测模型进行了对比研究，同时提出了一种预测效果更佳的基于时间窗口移动技术与 神经网络的水质组合预测模型。 首先，本文根据中国环境质量公报（淡水环境）中长江水环境质量状况以及结合重庆市长江流域断面的实际情况筛选出七项水质指标，然后论述了灰色 模型、 神经网络以及 神经网络的相关理论和算法，接着建立了基于灰色理论与 神经网络的水质组合预测模型和基于灰色理论与 神经网络的水质组合预测模型，并以重庆市长江寸滩断面1998年至2008年的水质数据为例进行了实例测试和结果分析，也对两种组合预测模型的结果进行了对比与讨论，得出了后者预测效果更好等结论。 与此同时，通过以上两种组合预测模型的研究，本文提出了基于时间窗口移动技术与 神经网络的水质组合预测模型，并仍以长江寸滩断面为例，经过研究和实例测试表明该模型能够较好的对长江流域寸滩断面的水质进行预测，在整体上其预测效果比前两种组合预测模型更为理想，而且该模型能够较好地应用于水质指标预测和管理中，为河流水质预测提供重要的科学依据。 最后，本文采用基于 神经网络的水质评价模型对重庆市长江寸滩各年的水质进行了等级评价，并与中国环境保护部公布的水质评价结果进行了对比分析，其结果表明水质评价结果在一定程度上能够正确地反映长江寸滩当前的水质状况。

针对神经网络算法在当前PM2．5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题，引入RFR（random forest regression，随机森林回归）算法，分析气象条件、大气污染物浓度和季节所包含的22项特征因素，通过调整参数的最优组合，设计出一种新的PM2．5浓度预测模型——RFRP模型。同时，收集了西安市2013--2016年的历史气象数据，进行模型的有效性实验分析。实验结果表明，RFRP模型不仅能有效预测PM2．5浓度，还能在不影响预测精度的同时，较好地提升模型的运行效率，其平均运行时间为O．281S，约为BP-NN（back propagation neural network，BP神经网络）预测模型的5．88％。

【编者按】AWS宣布推出亚马逊机器学习服务（AmazonMachineLearning），声称这项新的AWS服务来自于亚马逊内部的数据科学家用于创建机器学习模型的技术，可以帮助你使用你所收集到的所有数据来提高你决策的质量。你可以使用大量数据来建立并微调预测模型，然后大规模使用亚马逊机器学习进行预测（在批处理模式下或者在实时模式下）。即使没有统计学高级文凭或者对于建立、运行、维护你自己的处理和存储基础架构不熟悉，你也能从机器学习中受益。AWS首席布道者JeffBarr撰写了一篇博文，一步一步地介绍了如何使用亚马逊机器学习服务构建预测模型。为了从机器学习中受益，你需要有一些可以用于训练的现有数据。

与病虫有关的前期因子较多, 而且很复杂。其中气象因子与病虫害关系密切。不过, 气象因子与病虫害的关系并非线性关系

论文讲解：https://blog.csdn.net/qq_33302004/article/details/114022635

主要介绍了python实现BP神经网络回归预测模型，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧