python 空气质量AQI 数据分析与预测----用到的库，数据集，数据清洗-附件资源
2021-12-08 19:32:20
23B
1
股市动荡，集群波动，基于情绪和新闻报道的价格波动很普遍。 贸易商使用各种公开可用的信息来预测营销决策。 本文使用对可公开获得的新闻报道的情感分析，为交易者提供了有关股票交易的建议。 它基于一个假设，即新闻文章对股票市场有影响，以此假设为基础，我们研究了新闻与股票趋势之间的关系，并证明了负面新闻对股票市场具有持续影响。 为了证明这一假设，使用了半监督学习技术来构建新闻分类的最终模型。 研究表明，以TF-IDF为特征的SVM在进一步分析中表现良好。 预测模型的准确性超过90％，与股票的退货标签具有52％的相关性。
2021-12-07 13:43:07
617KB
1
销售_预测
基于kaggle数据集的时间序列分析和预测项目。
在这个项目中，我使用了从指数平滑和ARIMA模型到Facebook的Prophet库的最新预测技术，以便预测俄罗斯公司的未来销售利润。 数据集来自Kaggle.com。
使用RMSE在模型一步预测和实际值之间分析了模型的性能。 表现最好的模型是Prophet，然后是三重指数平滑模型。
找到最佳绩效模型之后，我将其用于预测公司中各个商店的未来利润。 结果可以在sales_plots文件夹中找到； 它们采用交互式可绘制HTML文件的形式。 这些文件无法由GitHub显示，因此我在此处保留了一些文件预览的链接：
2021-12-03 20:23:43
63.26MB
1
（2）面板单位根检验
在工作文件窗El中打开CP变量的15个数据组，点击View键，选Unit Root Test功能(如图11.3.8)，打开Group Unit Root Test对话框如图11.3.9，共有6个选项区。
图11.3.8
2021-12-01 09:22:49
3.88MB
1
链路预测是网络分析的一个重要应用，网络结构在真实场景中随时间发生演变，节点间会产生新的联系或者终止连接，从而导致网络结构变化以及节点中内在的偏向发生偏移。为提升链路预测能力，提出一种基于时序特征的动态网络节点表示的链路预测算法，即每一时刻的节点表示向量由历史的表示向量计算得到，以反映节点在向量空间中的变化规律，同时结合节点间的高阶邻近特性，生成具有鲁棒性的节点向量来维护网络结构。在真实数据集上的实验结果表明，与TNE、DHPE等算法相比，该算法在链路预测任务上的预测性能具有明显提升，适用于大规模的动态网络。
2021-11-24 20:05:58
2.78MB
1
财政收入影响因素分析及预测模型 电力窃电漏电用户 自动识别 ■电商产品评论数据情感分析 电子商务网站用户行为分析及 服务推荐 ■航空公司客户价值分析 航空公司客
2021-11-23 13:07:09
60.8MB
1
信息分析与预测的实验，Python写的代码，萌新代码，勿喷，仅仅只是方便没时间写实验的朋友，直接用python打开就能运行
2021-11-13 17:05:08
556B
1