广告实时竞价数据，是广告牌、商场广告位和互联网广告栏中的广告位的实时竞价情况信息，用以训练有偏模型和预测客户点击。

移动设备用户年龄和性别预测挑战数据

使用PyCaret和PaddlePaddle融合模型进行预测，当前取得第六名，适合参赛的朋友参考和使用。

介绍 未来数据的预测在能源领域非常重要，因为有关未来消费和发电趋势的信息可以帮助规划电厂的运营。 该分析比较了各种模型进行时间序列预测，以确定哪种模型效果最好 数据 数据来自Kaggle： ://www.kaggle.com/robikscube/hourly-energy-consumption包含兆瓦（MW）中各种电力公司的能耗读数。 代顿数据集已用于此分析。 但是，最后将包含所有电力公司数据的主数据集用于实验模型。 数据探索 数据从2005年到2018年大约开始，并且每小时记录一次。 分析 使用的4个模型是FBProphet，XGBoost，递归神经网络（RNN）和长期短期记忆（LSTM）（RNN的变体）。数据在使用前已进行了标准化。 FBProphet，RNN和LSTM模型可以按原样使用时间戳数据，但是XGBoost需要将时间戳分解为单独的组件。 所有这些模型都已在Dayton数

基于MPC预测算法的轨迹预测模块，MATLAB仿真，已测试有效

基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 运行环境Matlab2018b及以上。

极端天气情况一直困扰着人们的工作和生活。部分企业或者工种对极端天气的要求不同，但是目前主流的天气推荐系统是直接将天气信息推送给全部用户。这意味着重要的天气信息在用户手上得不到筛选，降低用户的满意度，甚至导致用户的经济损失。我们计划开发一个基于图神经网络的天气靶向模型，根据用户的历史交互行为，判断不同天气对他的利害程度。如果有必要，则将该极端天气情况推送给该用户，让其有时间做好应对准备。该模型能够减少不必要的信息传递，提高用户的体验感。 模型介绍 （一）数据集共有三个txt文件，分别是user.txt，weather.txt，rating.txt。这些文件一共包含900名用户，1600个天气状况，95964条用户的历史交互记录。 （1）user.txt 用户的信息记录在user.txt中。格式如下： 用户ID\t年龄\t性别\t职业\t地理位置 （2）weather.txt 天气的信息记录在weather.txt中。格式如下： 天气ID\t天气类型\t温度\t湿度\t风速 （3）rating.txt 用户的历史交互记录在rating.txt中。格式如下： 用户ID\t天气ID\t评分

PredictABoat @SerpentAI的Game Agent开发工具包的24/7深度学习流中使用的NodeJS Twitch机器人 方法 在发生预测的AI运行之前，预测系统将激活并允许观众预测即将开始的AI运行的各个方面，直到开始为止。 一旦开始AI运行，系统将等待直到运行完成，并使用连接到游戏的路由器中的事件收集所有数据。 然后它将进行预测并选择奔跑的赢家。 积分将在获奖者之间分配并保存在数据库中。 在深度学习周结束时，获奖者将被宣布并获得奖品。 概念 框架NodeJS 游戏套接字AutobahnJS / Crossbar.io 数据存储MongoDB / mongoose 常问问题 可以做出什么预测？ 观众可以做出无数的预测。 这完全取决于游戏提供给我们的数据。 目前， total score和# of matches类的预测很可能会在“我必须建造一条船”游戏中进行预测。

基于ANFIS的时间序列预测（Matlab完整程序和数据） 基于ANFIS的时间序列预测（Matlab完整程序和数据）

python keras tensorflow 实现，长短时记忆网络，AI项目，有数据集和代码，jupyter notebook 代码编写，有出图，包括模型保存