基于卷积神经网络-门控循环单元结合注意力机制(CNN-GRU-Attention)多变量时间序列预测，CNN-GRU-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

时间序列数据集

基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学习笔记 基于R语言开发时间序列预测 Time Series Analysis With Applications in R 学

数据集齐全（60k+数据） 所用方法多，不论老师要求什么，总有符合用得上（分类，逻辑回归，时间序列） 代码+数据集+报告一条龙服务。 内容说明： 数据预处理，数据清洗，对数据进行描述性分析，统计分析，相关性分析，用ggplot2画图。并分别用逻辑回归和决策树分类建立模型。和用时间序列预测数据。 难度不低于课程实践

西电数据挖掘作业_SVM图像分类实验报告

基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP

大数据期末大作业 数据挖掘， 爬虫相关，朴素贝叶斯分类器python 简介： 运用爬虫技术以及朴素贝叶斯分类对抓取的新闻进行分类， 分析每种新闻在网站中的占比 已定义的新闻类别： 财经 科技 汽车 房产 体育 娱乐 其他 1. 环境以及依赖 python环境 python==3.9 依赖的第三方库： jieba parseurl bs4 numpy 2. 使用模型 朴素贝叶斯分类器 实现：纯python实现 3. 数据来源 新闻共分7类，新闻信息在此采集： 1 财经 http://finance.qq.com/l/201108/scroll_17.htm 2 科技 http://tech.qq.com/l/201512/scroll_02.htm 3 汽车 http://auto.qq.com/l/201512/scrollnews_02_2.htm 4 房产 http://gd.qq.com/l/house/fcgdxw/more_7.htm 5 体育 http://sports.qq.com/l/201512/scrollnews_01_2.htm 6 娱乐 http

PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD7 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。

本博客将介绍一种新的时间序列预测模型——FNet它通过使用傅里叶变换代替自注意力机制，旨在解决传统Transformer模型中的效率问题。FNet模型通过简单的线性变换，包括非参数化的傅里叶变换，来“混合”输入令牌，从而实现了快速且高效的处理方式。这种创新的方法在保持了相对较高的准确性的同时，显著提高了训练速度，特别是在处理长序列数据时更显优势。FNet的工作原理，并通过一个实战案例展示如何实现基于FNet的可视化结果和滚动长期预测。预测类型->多元预测、单元预测、长期预测。适用对象->受硬件所限制的时候，FNet是一种基于Transformer编码器架构的模型，通过替换自注意力子层为简单的线性变换，特别是傅里叶变换，来加速处理过程。FNet架构中的每一层由一个傅里叶混合子层和一个前馈子层组成(下图中的白色框)。傅里叶子层应用2D离散傅里叶变换(DFT)到其输入，一维DFT沿序列维度和隐藏维度。总结：FNet相对于传统的Transformer的改进其实就一点就是将注意力机制替换为傅里叶变换,所以其精度并没有提升(我觉得反而有下降,但是论文内相等，但是从我的实验角度结果分析精度是有下降的

针对海量数据背景下K-means聚类结果不稳定和收敛速度较慢的问题，提出了基于MapReduce框架下的K-means改进算法。首先，为了能获得K-means聚类的初始簇数，利用凝聚层次聚类法对数据集进行聚类，并用轮廓系数对聚类结果进行初步评价，将获得数据集的簇数作为K-means算法的初始簇中心进行聚类；其次，为了能适应于海量数据的聚类挖掘，将改进的K-means算法部署在MapReduce框架上进行运算。实验结果表明，在单机性能上，该方法具有较高的准确率和召回率，同时也具有较强的聚类稳定性；在集群性能上，也具有较好的加速比和运行速度。