道路交通matlab代码自动驾驶车辆的交互感知概率框架，用于预测交通参与者的行为和驾驶策略 这项工作为自动驾驶汽车的交互感知行为预测框架提供了概念证明，该框架不仅可以预测交通参与者的行为，而且可以对可以与之相关的驾驶策略进行分类。 这项工作是随后的博士学位论文的一部分。 标题：实现长期预测的交通参与者行为表征的概率框架 摘要：这项研究旨在开发预测人类交通参与者行为的新方法，从而在复杂的交通环境中实现自动驾驶汽车的安全运行。 至少在接下来的几十年中，自动驾驶汽车有望在交通中由人类驾驶的传统汽车中运行。 为了安全导航，他们将需要使用外部可观察的信息来推断交通参与者的意图和行为。 这样做有助于在一段足够长的时间范围内预测其轨迹，以分析即将发生的风险并优雅地避免任何风险情况。 这项工作通过认识到人类驾驶员执行的任何操纵都可以分为四个阶段来完成上述挑战，这些阶段取决于周围的环境：意图确定，操纵准备，差距接受和操纵执行。 它基于以下假设：对于给定的驾驶员，行为不仅跨越这四个操纵阶段，而且跨越多个操纵。 结果，在任何这些阶段中识别驾驶员的行为可以帮助表征驾驶员可能执行的所有后续操作的性质，从而在更长

手机价格预测 使用的数据集： ： 数据集的简短描述： 功能名称 功能说明 类型 ID ID 数字 电池电量 电池可存储的总能量（以mAh为单位） 数字 蓝色的 有没有蓝牙 布尔型 时钟速度 微处理器执行指令的速度 数字 双SIM卡 是否支持双卡 布尔型 fc 前置摄像头百万像素 数字 four_g 是否有4G 布尔型 int_memory 内部存储器（以千兆字节为单位） 数字 m_dep 移动深度（厘米） 数字 mobile_wt 手机重量 数字 n_cores 处理器核心数 数字 个人电脑 主相机百万像素 数字 px_height 像素分辨率高度 数字 px_width 像素分辨率宽度 数字 内存 随机存取内存（以兆字节为单位） 数字 sc_h 手机屏幕高度（厘米） 数字 sc_w 手机屏幕宽度，以厘米为单位 数字 谈话时间 通话将持续最长的电池

飞行延迟预测 介绍 延误是任何运输系统中最令人难忘的性能指标之一。 值得注意的是，民航业者将延误理解为航班延误或推迟的时间。 因此，延迟可以由飞机的起飞或到达的预定时间与实际时间之间的差异来表示。 国家监管机构有许多与航班延误的容忍阈值有关的指标。 实际上，航班延误是航空运输系统中必不可少的主题。 2013年，欧洲有36％的航班延误了超过5分钟，而美国有31.1％的航班延误了超过15分钟。 这表明该指标的相关性如何，以及无论航空公司网格的规模如何对其产生影响。 为了更好地了解整个飞行生态系统，每时每刻都会收集来自商业航空的大量数据并将其存储在数据库中。 淹没在传感器和物联网产生的大量数据中，分析人员和数据科学家正在增强其计算和数据管理技能，以从每个数据中提取有用的信息。 在这种情况下，理解领域，管理数据和应用模型的过程被称为数据科学，这是解决与大数据有关的挑战性问题的趋势。 在此项目中，我

薪资预测 使用线性回归的机器学习模型，可以通过输入经验年限来预测薪水。 当前使用Heroku进行部署。 这是已部署模型的链接： :

stock-movement-prediction

健康保险交叉销售预测 目标 -我们的客户是一家保险公司，该公司已向其客户提供了健康保险，现在他们需要您的帮助来建立模型来预测过去一年的保单持有人（客户）是否也会对该公司提供的车辆保险感兴趣。 -建立模型来预测客户是否会对车辆保险感兴趣，这对公司非常有帮助，因为它可以相应地计划其沟通策略，以覆盖这些客户并优化其业务模型和收入。 -为了预测客户是否会对车辆保险感兴趣，我们提供了有关人口统计信息（性别，年龄，区域代码类型），车辆（车辆年龄，损坏），保单（保费，货源渠道）等信息。 -我们需要建立一个模型来确定购买车辆保险的正确客户群。 数据集 最终交付成果 -分析师输入客户详细信息的网页-结果：最终建议是否针对此客户进行广告系列。

列车振动matlab代码刀具磨损预测 基于物联网的工具磨损预测，该项目用于收集和分析MATLAB中的振动数据，并使用该数据预测工具磨损。 抽象的 通常通过基于概念的振动监测来预测工具磨损，其中在加工过程中产生的振动与工具磨损现象相关。 事先检测到工具磨损现象可以提高加工过程中的性能。 机器和工具振动的大量变化是通过MPU-6050传感器获取的，并上传到云服务器。 在速度，切削深度，进给速度和振动之间建立了关系。 利用从云服务器记录的所有值，对机器学习模式进行了训练，以在这种现象发生之前预测工具的磨损。 这些结果为实现工具和机器的在线监控以及预测性维护提供了初步的要素。 工具磨损预测 在此模块中，组件是NodeMCU和MPU-6050加速度计+陀螺仪，它们通过USB电缆连接到笔记本电脑，USB电缆是NodeMCU的电源。 传感器检测到加工过程中的振动，并将其发送到NodeMCU，将接收到的所有数据发送到MATLAB云平台Thingspeak。 诸如主轴速度和切削深度之类的加工参数在代码中进行了硬编码。 在MATLAB工作区中，已存储上传的数据并将其作为CSV文件导入。 导入的数据包含原始

机器学习工程师纳米学位 顶石项目 项目：预测库存移动方向 安装 此项目需要Python 3.6和已安装的以下Python库： 您还需要安装软件才能运行和执行 我们建议安装 ，这是一个预包装的Python发行版，其中包含该项目的大多数必需库和软件。 代码 该代码在Notebooks文件夹中提供。 由于大小限制，不包括CSV文件和Clfs文件夹（经过训练的分类器池）。 跑步 在终端或命令窗口中，导航到顶层项目目录Notebooks/ （包含此自述文件）并运行以下命令之一： ipython notebook {name of notebook file}.ipynb 或者 jupyter notebook {name of notebook file}.ipynb 这将在浏览器中打开iPython Notebook软件和项目文件。 数据 该数据集由Github上某个帖子的1分钟库存数据

糖尿病预测用KNN

matlab股票预测代码股市预测 团队成员： 希瓦·瓦姆西·古迪瓦达 文卡塔·普拉尼斯·巴维里塞蒂 阿努杰·贾恩 帕万·西瓦·库马尔·阿马拉帕利 描述： 在这个项目中，我们设计了一个机器学习模型，该模型将根据当前数据预测股票的未来价值。 在这里，我们使用了 6 个月（2011 年 1 月至 6 月）每周的股票数据（750 个实例）。这些数据用于测试和训练我们的算法。 我们预测了接下来一周的开盘价。 我们使用不同的算法和技术实现了这个模型。 我们分析了结果并确定了性能最佳的算法。 安装 克隆存储库并使用 MATLAB/Octavia 运行代码。 代码 StockPrediction.m 执行预测。 以下脚本用于支持代码。 assignNumbersToSymbols.m 正态方程 计算成本.m 梯度下降B.m 计算成本B.m rootMeanSquareError.m 支持向量机 跑步 将道琼斯指数数据集放在与源代码相同的文件夹中。 使用 StockPrediction.m 文件在 MATLAB 中运行代码。 数据集 道琼斯工业平均指数 (DJIA) 是由华尔街日报编辑查尔斯道（道琼斯公