教你怎么用R语言做时间序列预测.doc

可利用matlab进行时间序列的预测，arma程序预测可靠

论文研究-基于小波-NAR神经网络的气象要素时间序列预测与天气指数彩虹期权估值.pdf,  本文基于小波-NAR神经网络技术,提出气象要素时间序列预测与天气指数彩虹期权估值的原理与方法,同时采用2000——2014年悉尼日均气温和日降雨量数据,进行气象预测与天气期权估值.结果显示:小波-NAR神经网络因灵活的非线性动态结构较好地反映了气象变化特征,其预测与估值效果优于其他模型;该天气期权价值形成中的非线性特征取决于五种经济效应.科学预测天气和估计天气期权价值,开发天气衍生品,可挖掘天气不确定性的经济价值,弱化其对天气敏感产业的影响.

MATLAB实现PSO-SVM粒子群优化支持向量机时间序列预测，Matlab完整程序和数据 数据为单变量时间序列数据，含粒子群优化前后的对比，预测对象为股票价格。

时间序列建模及预测一直是学术研究和实际应用领域的研究热点。模糊逻辑系统可以将数据和语言 两类信息以规则的形式表达出来,并转换为可以在计算机上运行的算法,在许多领域中得到了应用。利用 MATLAB模糊推理系统的图形用户界面(GUI)设计的一型模糊逻辑系统可以解决很多实际问题。本文选取道・琼斯每日收盘的指数为数据,利用MATLAB工具设计一型模糊逻辑系统,研究道・琼斯指数的时间序列预测问题,并应用模糊逻辑工具箱对道・琼斯指数的时间序列预测问题进行仿真研究。研究结果表明,所设计的一型模糊逻辑系统应用 于时间序列

比较完整地给出了数据预处理，缺失值补全，特征分析过程以及训练和交叉验证的注意事项，适合数据挖掘新人找到解题思路，全程没有调参，没有模型融合，只凭一手简单的特征和xgboost。 preprocess.py: 数据预处理（类型转换，缺失值处理，特征提取） xgbosst.py: 训练模型和交叉验证 根据题目给出的信息, 除了路本身的信息外, 训练数据基本上只有旅行时间, 而我们要预测的也是未来的平均旅行时间, 而且根据我们的常识, 现在的路况跟过去一段时间的路况是很有关系的, 因此该问题应该是一个自回归问题, 用过去几个时刻的交通状况去预测未来时刻的交通状况

单变量时间序列预测开发深度学习模型_python源码+数据+超详细注释 内容： 多层感知器模型 卷积神经网络模型_CNN 递归神经网络模型_LSTM 递归神经网络模型_CNN+LSTM 递归神经网络模型_ConvLSTM2D 本文使用了5种不同的网络模型,实现了一元序列的自回归 1.MLP：多层感知机 2.CNN：卷积 3.LSTM：长短周期 4.CNN+LSTM卷积+长短周期 5.ConvLSTM2D卷积+长短周期 并且分别比较了5中模型的预测效果，CNN模型相对来时是最好的。 深度学习在一元时间序列预测中表现并不佳

基于KNN的室内运动时间序列分类项目源码+数据+超详细注释 通过布置在不同房间的传感器获取到穿戴设备的人的移动数据，预测人的移动轨迹（人在哪个房间），场景见文件夹内示意图 内容包含： 1.数据说明见IndoorMovement\数据说明.txt 2.如何用pandas加载csv，并且画数数据的折线图，柱状图 3.用最小二乘法对数据进行线性拟合，并画出图像 4.数据特征工程:所有MovementAAL_RSS文件中最小的文件包含19条数据，所以默认以19作为数据集维度，故每个文件取最后19条，根据MovementAAL_DatasetGroup中的分组对应关系，将MovementAAL_RSS作为输入，MovementAAL_target作为输出，将文件按关联关系拼成train和test集合 5.将构建好的，维度为19的数据分别代入7种模型进行评估准确性，7种模型分别为LogisticRegression，KNN，DecisionTreeClassifier，SVM，RandomForestClassifier，GradientBoostingClassifier

基于KNN实现使用脑电波预测眼睛睁闭项目源码+数据+超详细注释 任务：根据获取的脑电波的数据，预测人的眼睛是睁开的开始闭上的 内容包含： 1.做数据基本预览时发现数据有部分异常值存在 2.对数据异常值进行处理，当数据值超过三倍标准差时，作为异常值删除掉 3.使用K折交叉重构数据，以便对数据进行重复验证，令K=10，将数据分成10组 4.用KNN模型对数据进行预测，model = KNeighborsClassifier(n_neighbors=3)表示设置KNN的参数K=3 5.本文后续讨论了对于有时间序列特点的数据使用KNN可能具有的缺陷，对打乱顺和正常顺序的数据进行预测结果是有较大差异的，因为KNN是找到最相似的数据聚类，但对于具有时间序列特征的数据，在高频取数的数据集中，连续时间上相邻的数据一定是最为相似的。

基于单变量+多变量逻辑回归实现根据环境因素预测房间入住率_项目源码+数据+超详细代码注释 任务：通过"Temperature","Humidity","Light","CO2","HumidityRatio"等环境数据预测房间是否在使用 内容包含： 1.用多变量进行逻辑回归预测 2.用单变量进行逻辑回归预测