VR和AR光学器件市场现状研究分析与发展前景预测.txt

MGP-TCN用于MIMIC数据集的败血症预测 该存储库包含有关论文的败血症预测的代码（用于标记，提取和建议的方法的代码）： @InProceedings{moor2019early, title = {Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping}, author = {Moor, Michael and Horn, Max and Rieck, Bastian and Roqueiro, Damian and Borgwardt, Karsten}, booktitle = {Proceedings of the 4th Machine Learning for Healthcare Conference

电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。

# 多变量股价预测-LSTM 训练集时间范围：2001-01-25到2021-09-29,预测目标列为Open import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout import pandas as pd from matplotlib import pyplot as plt from sklearn.preprocessing import MinMaxScaler import seaborn as sns from sklearn.model_selection import train_test_split

二摘代码MATLAB 相对属性 团队 卡纳夫·古普塔（Kanav Gupta） 帕塔·帕塔尼（Parth Partani） 阿努拉格·梅塔（Anurag Mehta） 介绍 项目涉及获得排名功能，该功能可以根据特定属性的强度关联两个或多个图像。 PubFig数据集用于项目 档案结构 MATLAB文件：所有matlab文件均包含用于GIST特征提取的代码 CV_Project.ipynb：项目的主要实施。 图像：772个图像的PubFig数据集 attribs.npy：每个属性的训练权重（使用Rank-SVM） attribs1.npy：训练过的权重用于零镜头学习的可见类

时间序列分析预测小工具。自回归模型分析，卡尔曼滤波自回归模型，AIC, BIC, FPE, MDL, SBC, CAT, PHI自回归模型检验。The TSA toolbox is useful for analysing Time Series. - Stochastic Signal processing - Autoregressive Model Identification - adaptive autoregressive modelling using Kalman filtering - multivariate autoregressive modelling - maximum entropy spectral estimation - matched (inverse) filter design - Histogram analysis - Calcution of the entropy of a time series - Non-linear analysis (3rd order statistics) - Test for UnitCircle- and Hurwitz- Polynomials - multiple signal processing - Several criteria (AIC, BIC, FPE, MDL, SBC, CAT, PHI) for model order selection an autoregressive model are included. - Fast algorithms are used - missing values (encoded as NaN's) are considered

训练集数据提供了4个电场的脱敏后的环境数据和电场实际辐照度和电场发电功率。测试集数据提供了4个电场的脱敏后的环境数据，需要利用这些数据预测每个时间点的光伏发电功率。注意： 为了贴近实际应用，环境数据提供的是预测值，不是实测值，训练集中的电场实际辐照度和电场实际发电功率为脱敏后的实测值。 训练集和测试集的描述如下： 训练集有train_1.csv, train_2.csv, train_3.csv, train_4.csv共4个文件，测试集有test_1.csv,test_2.csv,test_3.csv,test_4.csv共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。 补充说明： 1.实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2.实发幅照度中的负值视为噪声数据。

BigMart销售预测 BigMart销售数据集包含2013年销售数据，这些数据来自不同城市的10个不同网点的1559种产品。 以下项目的目标是建立一个回归模型，以预测下一年在10个不同的BigMart网点中每种1559产品的销售情况。 BigMart销售数据集还包含每个产品和商店的某些属性。 此模型可帮助BigMart了解在增加整体销售额中起重要作用的产品和商店的属性。 该项目由Harsh Nagoriya自豪地创建。

WalmartSalesPrediction：预测沃尔玛数据的销售

以往传统的链路预测方法大多数针对无向网络，而实际上大多数社交网络是有向的，并且没有考虑网络中同一节点对之间的重复边以及微观演化信息，因此不能较好地解决有向动态网络中的链路预测问题。针对有向网络，将节点对之间的重复边信息转换为该节点对之间连边的权值；接着采用了基于三元组模体的演化模型，对滑动窗口中相邻时间片的模体转换概率进行统计后，采用指数加权滑动平均法对其进行时序分析得到不同模体转换概率的预测矩阵，进而使用该矩阵对网络中的链边进行预测。这不仅充分利用了网络微观演化信息，而且解决了动态网络中重复边的问题。最后对实验结果进行分析发现，在高全局聚类系数高平均度的网络中AUC相比Triad Transition Matrix方法提高了近0.01，而相比CN方法提高更多。因此，所提方法能够较好地应用网络微观演化信息进行链路预测。