在Pytorch上使用LSTM模型进行能量预测 以下存储库包含几个笔记本，可与ASHRAE的数据库配合使用，以应对Kaggle上的Great Energy Predictor III竞赛。 我们将第三个模型与其他两个模型之间的问题框架稍有不同的三个模型进行比较。 它们的网络性质不同，前两个是LSTM RNN模型，第三个是简单FCNN模型。 然后将结果进行比较，然后评估有关在预测问题上使用LSTM的便利性的一些观察结果。 训练和评估模型所用的数据对应于住宅建筑物的电力负荷，以及来自最近车站的每小时气象数据。 您可以在找到原始数据和数据描述。

负荷预测：使用MATLAB（ANN）进行负荷预测

时间序列预测：Forecasting the Time Series of Apple Inc.'s Stock

我们关于“ 文章介绍了该软件包，并提供了背景信息。 Pytorch Forecasting旨在通过神经网络简化实际案例和研究的最新时间序列预测。目标是为高级专业人员提供最大程度的灵活性，并为初学者提供合理的默认值的高级API。具体来说，该软件包提供了 一个时间序列数据集类，它抽象化处理变量转换，缺失值，随机子采样，多个历史记录长度等。 基本模型类，提供时间序列模型的基本训练，以及在张量板中的记录和通用可视化，例如实际与预测以及依存关系图 用于时间序列预测的多种神经网络体系结构已针对实际部署进行了增强，并具有内置的解释功能 多地平线时间序列指标 Ranger优化器，用于更快的模型训练 使用调整 该程序包基于构建，可以直接使用CPU，单个和多个GPU进行培训。 安装 如果您在Windows上工作，则需要先使用以下命令安装PyTorch： pip install torch -f https

Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如时间依赖的自动学习以及趋势和季节性等时间结构的自动处理。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过明确的解释、标准的 Python 库（Keras和TensorFlow 2）以及分步教程课程，您将发现如何为自己的时间系列预测项目开发深度学习模型

Week4_GlobalForecast_COVID19 一个协作存储库，其中包含第4周Kaggle竞赛的全球COVID-19预测代码（ ） 预测/预测主要使用InterpretML库完成，以查看所选要素之间的相关性。 要查看结果，请确保你已经安装了所有必需的包requirements.txt ，并运行experimental.ipynb从笔记本电脑的文件夹中。

在此数据集中，为求职者提供了位于不同地区的45家沃尔玛商店的历史销售数据。每个商店包含多个部门，参与者必须计划每个商店中每个部门的销售额。为了增加挑战，数据集中包括了选定的假期降价事件。已知这些降价会影响销售，但是要预测受影响的部门和影响的范围具有挑战性。 stores.csv test.csv sampleSubmission.csv features.csv train.csv

电力系统负荷及价格预测专业MATLAB程序，包含对北美电力市场的电力数据进行的一系列数据挖掘工作，程序代码实用，注释详细，包含多种预测算法，极具学习价值！ Electricity Load and Price Forecasting with MATLAB® Step 1: Access Historical Data Interactively import, visualize and explore data Auto-generate MATLAB codeStep 2: Select & Calibrate Model Leverage numerous built-in functions Focus on modeling not programming Capture as-you-go and automate the processStep3: Run Model Live Royalty-free deployment Point-and-clickworkflow

负荷预测算法 使用多种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）进行电力系统负荷预测/电力预测。通过一个简单的例子。各种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）用于电力系统负荷预测/电力预测。

PM2.5的时间序列预测 基于Keras的LSTM实现的PM2.5的时间序列预测。 环境：python 3.6.6，Tensorflow 1.15.0，Keras 2.3.1