时间序列预测-Transformer,Informer,Autoformer,FEDformer复现结果

算法实验使用sklearn完成。 代码内容包括： 1.特征相关性热力图 2.特征筛选 3.使用： 'k近邻', '逻辑回归', '神经网络', '决策树', 'SVC', '集成学习随机森林', '集成学习adaboost', '梯度提升树', 'Xgboost' 共9类分类算法实验以及测试的结果。

NARX非线性自回归外生模型电池时间序列预测模型（Matlab完整源码和数据） 多输入，单输入都有，单步、多步都有。 NARX非线性自回归外生模型电池时间序列预测模型（Matlab完整源码和数据） 多输入，单输入都有，单步、多步都有。

Matlab实现SVMD逐次变分模态分解时间序列信号分解（完整源码和数据) 1.Matlab实现SVMD逐次变分模态分解时间序列信号分解，运行主程序main即可，数据为一维时间序列信号数据。 2.赠送一个SVMD分解重构测试案例，运行test_svmd得到结果。 3.程序语言为matlab，运行环境matlab2018b及以上。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 5.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 6.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。

力窃漏电用户自动识别 1.背景与数据分析目的 a.通过电力系统采集到的数据，提取出窃漏电用户的关键特征， b.构建窃漏电用户的识别模型:以实现自动检查、判断用户是否是存在窃漏电行为。 2.数据预处理 通过对拿到的数据进行数据质量分析，检查原始数据中存在的脏数据，通过查看原始数据中抽取的数据，发现存在数据缺失的现象，使用朗格拉日插值法：选取缺失值前5个数据作为前参考组，缺失值后5个数据作为后参考组，处理缺失值程序. 3.挖掘建模 从专家样本中随机选取20%作为测试样本，剩下的80%作为训练样本，初步选择常用的分类预测模型：CART决策树和LM神经网络。 3.1 构建CART决策树模型 3.2 LM神经网络模型 3.3 CART和LM模型对比 结论：LM神经网络的ROC曲线比CART决策树更加靠近单位方形的左上角且LM神经网络的ROC曲线下的面积更大，则LM神经网络预测模型的分类性能更好，更适合应用于窃漏电用户自动识别当中。 将处理后的数据作为模型输入数据，利用构建好的模型（位于工程的tmp中）计算用户的窃漏电结果，并与实际调查结果做对比，对模型进行优化，进一步提高识别准确率。 ——

1.Python实现ARIMA-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+

利用ReliefF算法对回归特征变量做特征重要性排序，实现特征选择。 通过重要性排序图，选择重要的特征变量，以期实现数据降维的目的。 程序直接替换数据就可以用，程序内有注释，方便学习和使用。 程序语言为matlab。

基于粒子群算法优化长短期记忆网络(PSO-LSTM)的时间序列预测。 优化参数为学习率，隐藏层节点个数，正则化参数，要求2018b及以上版本，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

数据标准化（Normalization）是指：将数据按照一定的比例进行缩放，使其落入一个特定的小区间。 为什么要进行数据标准化呢？ 去除数据的单位限制，将其转化为无量纲的纯数值，便于不同量级、不同单位或不同范围的数据转化为统一的标准数值，以便进行比较分析和加权。 通过手写Python代码对海伦约会对象数据集完成数据标准化归一化的预处理。 其中包含： （1）Min-Max标准化 （2）Z-Score标准化 （3）小数定标标准化 （4）均值归一化法 （5）向量归一化 （6）指数转换

PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD3 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。