比特币是当前流行的加密货币，前景光明。 这就像一个具有时间序列的股票市场，这些时间序列是一系列索引数据点。 我们研究了不同的深度学习网络和提高准确性的方法，包括最小-最大归一化，Adam优化器和窗口最小-最大归一化。 我们收集了有关每分钟比特币价格的数据，并对它们进行了重新排列以反映以小时计的比特币价格，总计56,832点。 我们以24小时的数据作为输入，并输出下一个小时的比特币价格。 我们比较了不同的模型，发现内存不足意味着多层感知器（MLP）不适合根据当前趋势预测价格的情况。 当模型中包含过去的内存和门控循环网络（GRU）时，长短期内存（LSTM）可以提供相对最佳的预测。

【阿里云天池】零基础入门数据价格：二手车交易价格预测

为了帮助企业、投资者和市场监管部门优化碳排放市场参与行为，需要对碳排放交易价 格进行合理有效的预测。考虑到碳排放交易价格时间序列同时具有线性和非线性２种特征，选 择ARIMA-SVM融合模型运用到碳排放交易价格预测中，发挥该模型预测精度高的优势。运用ARIMA-SVM模型、ARIMA模型、SVM模型和Db6-SVM模型对湖北碳排放交易价格进行８期 预测。通过４种模型预测值的 MSE值和 MAE值确定预测精度，对比预测精度，探究 ARIMA-SVM模型是否为准确有效的预测模型，实证结果表明：ARIMA-SVM模型的MSE值为0.1770， 是４种模型的最低值；MAE值为0.3387，是４种模型的次低值。可以认为ARIMA-SVM模型的 预测精度最高，是一种有效的且精度高的碳排放价格预测模型，可用于碳排放交易价格预测，可 以为碳排放交易参与企业和各方投资者把握价格波动趋势，增强防范能力提供保障，也可以为 市场监管职能部门防止碳排放交易价格过度波动及时制定有效措施。

澳大利亚电力负荷与价格预测数据，可用于电价预测和负荷预测，时间间隔为半小时，包括从2006年1月1日到2011年1月1日的数据

石油价格预测情感分析LSTM，通过对石油标题的进行情感分析，使用SVM，ARIMA，GARCH，LSTM模型进行预测

某985的期末金融作业（不骗人） #### **基于LSTM进行股票价格预测** - 构建特征集合 包括通过传统的财务基本面指标、技术指标和宏观经济指标 - 预测的标签为下一天的收盘价 - 一下为全局参数

利用线性回归预测方法,建立蚕茧价格预测模型。分三步设计:首先,建立反映生产技术水平的单位发种量的产茧水平的预测模型;其次,在生产技术水平预测的基础上,结合桑园种植面积,建立年产茧总量的预测模型;最后,在年产茧量预测的前提下,建立蚕茧价格预测模型,并利用所建立的模型来预测未来的蚕茧价格走势。

人工智能作业，python代码编写，有注释。 表 1 所示为某药品的月度销售情况，利用 BP 神经网络对药品 的销售进行预测。预测方法采用滚动预测方式，即用前三个月 的销量来预测第四个月的销量。例如，用 1、2、3 月份的销售 量作为输入，预测第 4 个月的销售量；用 2、3、4 月份的销售 量作为输入，预测第 5 个月的销售量。反复迭代，直至满足预 测精度要求为止。要求：最终输出 4—9 月实际值和预测值的对 比图

人人车二手车数据用于机器学习二手车价格预测，数据为json格式，二手车数据属性包含：售价、行驶里程、车牌所在地、保险信息、出厂日期、以及车辆的详细配置信息，大概有180-200个属性，内容丰富，属于爬取的原始数据，未经处理，正好用于数据处理与分析练手所用。

一个机器学习小实例，基于sklearn，根据1990年美国地区的各项属性来评估、预测该地区的房屋价格中位数。