LSTM-DNN进行库存预测 修正LSTM模型的股价预测 它能做什么？ 它可以给出一只股票收盘价的预测值。 它不能预测离现在太远，而它所能做的就是预测明天的价格。 我们需要做的是提供一只股票过去的数据。 评估 我用MAPE（平均绝对百分比误差）评估模型。 通过该模型训练的某些股票的最佳性能可使MAPE达到2％-3％，这意味着精度（1-MAPE）可以达到97％-98％。 训练自己的数据 U首先从互联网上下载股票的csv数据，然后在代码中修改csv路线（在最后一栏中输入收盘价）。 学习性能良好的CPU模型需要花费数小时。 有用吗？ 尽管预测第二天的收盘价表现良好，但无法预测接下来的2,3,4 ...天的价格。 因此这可能会有所帮助，可能没有帮助。 未来 我将把我的股票价格预测系统放在github上，它具有许多新功能，包括预处理数据，训练模型，预测价格，评估模型以及推荐高收益股票。 同时

智能电网中使用增强型极限学习机优化的短期电力负荷和价格预测 Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids Aqdas Naz 关键词：智能电网; 预测; 负荷; 价格; CNN; LR; ELR; RELM; ERELM

澳大利亚电力负荷与价格预测数据.xlsx

阿里云天池比赛——二手车交易价格预测数据集，包含训练集和测试集B。用于入门机器学习数据挖掘的非常好的比赛。

该数据来自某交易平台的二手车交易记录，总数据量超过40w，包含31列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取15万条作为训练集，5万条作为测试集A，5万条作为测试集B，同时会对name、model、brand和regionCode等信息进行脱敏。

利用农产品价格时间序列的当前值和过去值准确预报未来值，将有利于正确引导农产品流通和农业生产，实现农产品区域供求平衡，并为政府和农户提供结构调整的依据。针对农产品价格这一重要问题，以白菜月价格数据为例，构建非平稳时间序列ARIMA（p，d，q）模型并预测白菜未来的月价格。结果表明ARIMA（0，1，1）模型能很好地模拟并预测白菜月价格趋势，为农产品市场信息的准确预测提供重要方法。

支持向量机（support vector machine, SVM）是数据挖掘中的一项新技术，是借助于最优化方法解决机器学习问题的新工具。它成为克服“维数灾难”和“过学习”等传统困难的有效办法，虽然他还处在飞速发展的阶段，但它的理论基础和实现途径的基本框架已经形成。支持向量机目前主要用来解决分类问题（模式识别，判别分析）和回归问题。而股市行为预测通常为预测股市数据的走势和预测股市数据的未来数值。而当我们将走势看作两种状态（涨、跌），问题便转化为分类问题，而预测股市未来的价格是指为典型的回归问题。我们有理由相信支持向量机可以对股市进行预测。 本报告是支持向量机对股票价格预测应用报告的综述，旨在于介绍预测股票价格走势的SVM简单预测模型。该模型可以用来预测未来若干天股票价格的大体走势，这对于股票投资可以起到很好的指导性作用。

为实现产品价格影响因素较大波动情况下的价格快速预测,提出了一种关联价格网产品价格预测模型.对引起产品价格变化的主要因素进行了分析,分别以产品、原材料、竞争产品的价格、供需量的变化引起产品价格的变化为基础构建产品的关联价格网.然后,对关联价格网性质进行理论推导,得出可以用产品的关联价格子网替代整个关联价格网对产品价格进行预测的结论,从而简化模型.进而采用神经网络构建一个反映关联价格子网中价格波动因素的预测网络(PFN),并利用神经网络学习和计算方法对产品的价格进行预测.理论分析和仿真实验显示该价格预测方法具有很好的应用价值.

本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。

基于Keras的神经网络的股票价格预测，实测有效。也是根据人家分享的总结的