基于高斯过程回归(GPR)时间序列区间预测，matlab代码，单变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和区间覆盖率和区间平均宽度百分比等，代码质量极高，方便学习和替换数据。

功能磁共振成像 fMRIflows是完全自主的单变量和多变量fMRI处理管道的集合。 这包括解剖和功能上的预处理，信号混杂的估计以及在受试者和小组水平上的单变量和多变量分析。 显而易见， fMRIflows受到和其他开源项目的极大启发，并从它们的思想和解决方案中大力借鉴。 但是尽管可以被描述为“玻璃”盒子软件，但fMRIflows更像是鞋盒。 易于打开，易于理解，内部简单易用，可轻松更换和更改内部组件。 这完全是由于fMRIflows所有源代码都存储在笔记本中。 如果您正在出版物中使用fMRIflows ，请与作者 fMRIflows联系，以获取有关如何引用此工具箱的更多信息，因为该出版物目前正在准备提交。 安装及使用 使用容器 使用fMRIflows的最佳方法是直接在相应的容器（ 或 ）中运行它。 可以使用docker pull miykael/fmriflows命令从Docker

维基百科：“在统计学中，medcouple 是一个强大的统计数据，可以衡量单变量分布的偏度[1]。 它被定义为一个缩放分布的左半部分和右半部分的中值差。 它的稳健性使其适用于识别调整后的异常值箱线图[2][3]。” 1 = G. 布赖斯； 休伯特先生； A. Struyf（2004 年 11 月）。 “一个强有力的措施偏度”。计算和图形统计杂志。13 (4)：996-1017。 2 = M. 休伯特； E. Vandervieren (2008)。 “一个调整后的偏斜箱线图分布”。计算统计和数据分析。52（12）： 5186-5201。 doi：10.1016 / j.csda.2007.11.008。 3 = 皮尔逊，罗恩（2011 年 2 月 6 日）。 “箱线图及其他——第二部分： 不对称”。exploringdata.blogspot.ca。2015 年 4 月 6 日检索。

基于相空间重构(PSR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选，然后对筛选出的关键变量进行相空间重构，再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试，结果表明在单一故障和多故障情况下，本方法均可实现化工过程的单变量故障诊断；与传统SVM方法相比，相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。

单变量时间序列预测开发深度学习模型_python源码+数据+超详细注释 内容： 多层感知器模型 卷积神经网络模型_CNN 递归神经网络模型_LSTM 递归神经网络模型_CNN+LSTM 递归神经网络模型_ConvLSTM2D 本文使用了5种不同的网络模型,实现了一元序列的自回归 1.MLP：多层感知机 2.CNN：卷积 3.LSTM：长短周期 4.CNN+LSTM卷积+长短周期 5.ConvLSTM2D卷积+长短周期 并且分别比较了5中模型的预测效果，CNN模型相对来时是最好的。 深度学习在一元时间序列预测中表现并不佳

基于单变量+多变量逻辑回归实现根据环境因素预测房间入住率_项目源码+数据+超详细代码注释 任务：通过"Temperature","Humidity","Light","CO2","HumidityRatio"等环境数据预测房间是否在使用 内容包含： 1.用多变量进行逻辑回归预测 2.用单变量进行逻辑回归预测

时间序列转监督性问题 多步式单变量函数_多测多 多步式多变量_多变量一测多 一步式单变量函数_多测一 一步式多变量_多变量一测一 测试对比python实现源码

1.数据预览 2.预览一下数据的自相关图 3.预览残差图和残差的密度分布图 4.滑动窗口预测ARIMA模型

根据一个变量查找f(x,y)最小值的方法

基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上