Walmart-store-sales-prediction-model:创建预测模型以预测沃尔玛商店的销售额

在经济体系不稳定的发展中国家，历史数据的永久性波动一直是一个令人担忧的问题。 识别变量的依赖性和独立性是模糊的，建立可靠的预测模型比其他国家更复杂。 尽管非线性多元经济时间序列的线性化来预测可能会给出结果，但应忽略显示经济系统中不规则性的数据的性质。 人工神经网络（ANN）的新方法有助于建立一个保持数据属性的预测模型。 在本文中，我们使用德黑兰证券交易所 (TSE) 10 年的日内数据来预测未来 2 个月。 与自回归积分移动平均 (ARIMA) 模型相比，来自 ANN 的长短期记忆 (LSTM) 选择和输出。 结果表明，虽然在长期预测中，两种模型的预测精度都有所降低，但 LSTM 在精度误差方面明显优于 ARIMA。

JMbayes：贝叶斯方法下纵向和生存数据的联合模型 描述 该存储库包含R包JMbayes的源文件。 该软件包适用于使用MCMC的贝叶斯方法下的纵向数据和事件时间数据的联合模型。 这些模型主要适用于两种设置。 首先，当重点放在生存结果上时，我们希望说明误差测量的内源性（又称内部）时间相关协变量的影响。 其次，当重点放在纵向结果上时，我们希望纠正非随机辍学现象。 该软件包包含两个主要的联合模型拟合函数， jointModelBayes()和mvJointModelBayes() ，它们的语法相似，但功能不同。 基本功能jointModelBayes() 它可以拟合单个纵向结果和事件发生时间结果的联合模型。 用户可以使用参数densLong （默认值为正常pdf）为纵向响应指定自己的密度函数。 除其他外，这允许对具有分类和左删截纵向响应的联合模型以及具有Student-t误差项的鲁棒联合

Grey-Prediction-Model 灰色预测模型： #灰色预测的核心是使用时间响应方程：x(k+1)=(x⑴-u/a)exp()+u/a,来根据初始值x(1)来计算x(k)(k=2,3,4....N,N+1)，其中α称为发展灰数；μ称为内生控制灰数。可用二乘估计来计算得到。 #在故障预测领域，可以根据现有的电路历史数据，来进行预测，从而得到电路在未来的性能变化趋势，并进一步预测出电路系统的剩余使用寿命值。

第一部分教程链接（培训和测试）： : 第二部分教程链接（Web部署）：-https: