2012年全球能源预测大赛电力负荷预测数据集，包括各类常用历史气象数据集，负载历史数据及预测

内容 1）自选文本分类数据集； 2）测试单向、双向TextRNN深度网络算法分类精度； 3）编写、运行程序并查看结果； 4）调节单向、双向TextRNN算法相关参数，分析其对模型效果的影响

共有144节锂离子电池，包含三种不同的SOC(0%SOC，50%SOC和100%SOC)，在4种不同的温度(-40℃，-5℃，25℃，50℃)下进行了电池寿命测试。 1.-40℃，-5℃，25℃，50℃每种温度下分别有 12个电池。 2.每个温度的12个电池中，0%SOC，50%SOC和100%SOC，每种容量分别有4个。 3.144节电池分为三组，每组48个。48个电池每三周进行一次容量测试和阻抗测试；48个电池每三个月进行一次容量测试和阻抗测试；48个电池每6个月进行一次容量测试。 例如：电池PLN_51以C/2的CCCV充电速率进行初始容量测试。当当前电流降到C/100的速率以下时就会以C/2的速率放电以累计达到最大可适用容量。然后，在阻抗测试之后以相同的CCCV曲线对电池充满电。在下一步中，通过将累积容量计算到最大容量的一半，将电池放电至50%SOC。然后将电池存储在温度室中3周。三周后，取出电池进行容量和阻抗测试。

使用getdata.py下载数据，或者使用自己的数据源，将数据放在stock_daily目录下 使用data_preprocess.py预处理数据，生成pkl文件，放在pkl_handle目录下(可选) 调整train.py和init.py中的参数，先使用predict..py训练模型，生成模型文件，再使用predict.py进行预测，生成预测结果或测试比照图 本项目使用机器学习方法解决了股票市场预测的问题。项目采用开源股票数据中心的上证000001号，中国平安股票(编号SZ_000001)，使用更加适合进行长时间序列预测的LSTM(长短期记忆神经网络)进行训练，通过对训练集序列的训练，在测试集上预测开盘价，最终得到准确率为96%的LSTM股票预测模型，较为精准地实现解决了股票市场预测的问题

猫狗人鼠带标注数据集

2022高德全国路网数据 shp数据

垃圾识别代码数据集

本文给大家带来是DLinear模型，DLinear是一种用于时间序列预测（TSF）的简单架构，DLinear的核心思想是将时间序列分解为趋势和剩余序列，并分别使用两个单层线性网络对这两个序列进行建模以进行预测(值得一提的是DLinear的出现是为了挑战Transformer在实现序列预测中有效性)。本文的讲解内容包括：模型原理、数据集介绍、参数讲解、模型训练和预测、结果可视化、训练个人数据集，讲解顺序如下->预测类型->这个模型我在写的过程中为了节省大家训练自己数据集，我基本上把大部分的参数都写好了。我看论文的内容大比分都是对比实验，因为DLinear的产生就是为了质疑Transformer所以他和各种Transformer的模型进行对比试验，因为本篇文章就是DLinear的实战案例，对比的部分我就不讲了，大家有兴趣可以看看论文内容在最上面我已经提供了链接。 到此本文已经全部讲解完成了，希望能够帮助到大家，在这里也给大家推荐一些我其它的博客的时间序列实战案例讲解，其中有数据分析的讲解就是我前面提到的如何设置参数的分析博客，最后希望大家订阅我的专栏，本专栏均分文章均分98，并且免费阅读。

lfw人脸识别数据集，包括lfw_align_112，lfw_align_112_fr，img_list1.txt，lfw_align_112_pairs.txt ，lfw_align_112.list。

PPP-RTK系统clas的样例数据 PPP-RTK的算法研究、开发人员，该样例数据用于CLAS源码的测试分析，特别注意的是L6数据，类似于我国北斗三代的PPP-B2b数据。