灰色预测模型（Gray Forecast Model）是通过 少量的、不完全的信息，建立数学模型并做出预 测的一种预测方法.当我们应用运筹学的思想方法 解决实际问题，制定发展战略和政策、进行重大 问题的决策时，都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律， 借助于科学的方法对其未来的发展趋势和状况进 行描述和分析，并形成科学的假设和判断

Facebook时间序列预测模型fbprophet安装二fbprophet的安装和验证，博客连接https://blog.csdn.net/qq_22290797/article/details/108751180?spm=1001.2014.3001.5501

时间序列ARMA系列教程，MATLAB代码。

用户投诉预测模型能有效地降低电信用户投诉率，对企业提高用户满意度和竞争力有着至关重要的作用。在模型训练过程中，由于人工设计特征的缺陷和设计过程中存在难以预估的复杂性，使得模型预测的精度和设计特征的效率不能有很大的提升。针对上述问题，提出了一种基于深度学习的用户投诉预测模型。该模型通过深层网络特征学习单元能从电信用户原始数据中自动学习到适合分类器分类的高层非线性组合特征，并将这些高层特征输入到传统分类器中来提高模型的精度。通过实验结果分析，预测模型在AUC指标上比以往用户投诉模型提升了7.1%，证明了该模型自动学习特征的有效性和深度学习在电信大数据领域的可用性。

盾构掘进过程中，为防止地表沉降或隆起，土仓压力的预测与控制至关重要．建立了一种基于粒子群算法优化的 BP 神经网络( PSO-BP) 的土仓压力预测模型．

河钢数字信达，热风炉SVR建立回归模型SVMcgForRegress和预测模型svmpredict，内含现场数据。勿做商用。违规必究。

MATLAB源代码结合数据，GA优化BP神经网络的AdaBoost强预测模型

基于CNN-SVM数据预测模型（python） 卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python） 卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python）

糖尿病预测 糖尿病预测模型 在PIMA INDIAN糖尿病数据上创建了可观的78.35％准确性的预测模型。 准确性基于模型创建中未使用的测试数据。 所使用的csv文件位于csv文件夹中，而R代码则包含在脚本文件夹中。 文件夹GUI由服务器/用户脚本组成。 所有功能可能无法在标准R程序包中运行，因此应相应安装其他程序包。 为了使服务器运行，至关重要的是要在Rstudio中加载在运行脚本时创建的相同环境。 工作目录应设置为csv文件夹。 建议明智地运行代码行。 该项目的详细文档作为“文档”包含在Word文件中。 它包含详细的过程，决策，选择，结果，比较，图解，准确性以及所有对过程的解释，理解和推理所必需的东西。

本文研究了两种灰色系统预测模型的预测能力。 Deng [1] [2]提出的原始灰色GM（1,1）预测模型，以及Ji等人提出的改进的Gray GM（1,1）模型。 [3]用于预测百慕大的医疗旅游需求。 本文还介绍了一种用于优化alpha（权重）参数的准优化方法。 使用四个数据点估算模型后，将提前五个步骤进行样本外预测。 结果表明，阿尔法参数的优化大大提高了模型的预测精度。 将两个模型的样本外平均绝对百分比误差的五个步骤从大约7％降低到大约3.80％。 很大程度上，在没有大量高质量数据的情况下，预测方法显示出巨大的潜力来替代传统的预测方法。