摘要：本文在分析了神经网络、灰系统和时间序列预测模型的基础上,设计了将其中两种模型组合的预测方法。该方法的主要思想是利用回归预测思想将预测分为因素预测和结果预测两部分,并分别采用不同预测模型进行预测,从而达到提高预测精度的目的。利用该方法对吉林省近期的生猪价格进行预测,实验结果表明,该方法比单个预测方法有更好的预测效果,并且通过对不同组合的实验结果的分析发现,灰系统与神经网络相结合的方法具有更高的预测精度。

 

matlab导入excel代码压缩连续时间序列的因果发现 1.代码摘要 在数据目录中，我们提供了实验中使用的所有数据以及MATLAB Simulink的数据生成器来生成机电工程数据。 在cute.py中，提供了一些方法，可让我们的方法与其他方法进行比较。 在granger.py中，我们提供了Granger因果关系测试方法。 在Util.py中，我们提供了将在DISC和实验中使用的所有功能。 在Disc.py中，提供了DISC的核心方法。 synthesis_data_test.py和real_data_test.py分别提供了综合数据测试和实际数据测试结果。 2.时间复杂度 Composite_data_test.py time_window() time_weighted() time_weighted_window() 3.编码方法的验证 Composite_data_test.py test_causality_consistency() test_no_causality_consistency() 4.综合实验结果 4.1简单线性因果关系 Composite_data_tes

时间序列分析波动率模型.ppt

本书是普通高等教育“九五”国家重点教材，也是全国统计教材编审委员会“九五”本科规划教材。本书从应用的角度出发，试图借助计算机的存贮功能和计算功能来抽象掉其深奥的数学理论和复杂的运算，从而使只具一般数学知识的读者便可掌握和运用时间序列分析方法。在阐述中，尽可能回避严格的数学推导和证明，而从系统运动的惯性（即记忆法）加以解释和展开，或者说，本书把时序分析看作是一种统计分析工具，而不是数学的一个分支理论...

Eviews时间序列分析实例

非常经典的时间序列分析：预测与控制的第四版

经典的David R. Brillinger的时间序列分析和理论，傅里叶变换、功率谱分析、循环平稳特性分析都囊括其中

超级商店时间序列数据集。超市购买的时间序列数据，可以训练和测试您的模型。 superstore_test.csv test_result.csv superstore_train.csv

针对传统主成分分析及相关方法对多元时间序列特征表示的局限性,以及降维效果对数据相似性度量质量的影响,从数据形态特征的角度出发,提出一种关键形态特征的多元时间序列降维方法.利用动态时间弯曲方法找出训练集每个类别的中心多元时间序列,根据形态特征找出每个中心多元时间序列的关键特征变量分量的重要度,使用重要度提取若干个关键特征变量分量,达到数据降维的目的.实验结果表明,与传统方法相比,所提方法能够有效地根据形态特征对多元时间序列进行降维,并且能够取得更好的分类效果.

失业时间系列 失业的时间序列分析 这是我研究生院统计课程之一的项目。 使用R，我使用ARIMA模型和VaR模型预测了美国的失业率。 对于VaR模型，我使用了美国批准的建筑许可数量作为主要指标。