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

链接预测pyspark 用于链路预测的CNGFPyspark实现。 CNGF算法该有助于预测将来图中最可能连接的节点。 这可用于社交网络，以设想各种实体之间的连接。 与传统算法相比，该算法效率更高，因为它使用两个节点x和y的子图以及它们的公共邻居来预测将来的连接，而不是整个图。 它首先通过将子图中的公共邻居的度数除以整个图中该邻居的度数的对数来计算制导。 然后，它使用x和y的所有公共邻域的总和来计算相似度。 相似度越高，将来建立连接的机会就越大。 需要 Python 2.7以上 用法 要运行该程序，请克隆存储库并运行以下命令： $SPARK_HOME/bin/spark-submit --packages graphframes:graphframes:0.5.0-spark2.1-s_2.11 cngf.py file_path separator 它需要2个参数： fi

简街市场预测 UNIST SDMLAB的协同工作。 ，李英浩（Yeongho Lee）医师KHALEQUZZAMAN CHOWDHURY SAYEM，MUBARRAT CHOWDHURY :triangular_flag: 比赛信息 :label: 名称 Kaggle的 :magnifying_glass_tilted_left: 目的 利用交易机会预测交易行为 :stopwatch: 时间线 2020年11月24日-2021年2月22日（UTC） 实际参与，2021年1月13日 :spiral_calendar: 整体时间表 第一周：了解与EDA的竞争，每个解决方案使用基准代码实施 Youngin：LSTM 英浩：XGBoost Sayem：全面介绍 穆巴拉特：LGBM 第二周：[提高性能]像上面一样单独实施基准代码 第三周：最佳成绩解决方案实施 第4周：[提高绩效]最佳成绩解决方案实施 第5周：未安排 :loudspeaker: 储存库规则 :construction_worker: 结构体 +-- input | +-- data +-- ipynb_

简街市场预测 作者：刘增丰，崔贤ji，郑家杰 在此项目中，目标是根据市场价格从130点的时间序列中预测市场份额的未来回报值。 该数据集是从竞赛中获得的。 以下是实现这些目标的一些可能步骤： 去噪 滚动平均值 使用小波变换的阈值 使用的机器学习模型： 决策树（CART） 线性回归 k最近邻居 人工神经网络 卷积神经网络

一个非常好的理解遗传算法的案例，让你轻轻松松学会GA遗传算法