【预测模型】时间序列股票价格预测【含Matlab源码 450期】.zip

根据交通流的时空关联性和非线性,提出一种基于时空分析的短时交通流量预测模型。在相关系数的基础上扩展时空语义,提出时空相关分析算法,并以支持向量机为预测工具进行预测。弥补现有模型在预测因子选取方面的不足,提高预测精度并避免预测的人为主观性。实验结果表明了算法和模型的有效性。

输入人数、机动车数、公路面积、公路客运量、公路出货量指标对输出客运量和货运量进行预测

此压缩包为该文章相关资料，包含代码等，建议使用jupyter打开 https://blog.csdn.net/weixin_39858881/article/details/107235037

灰色预测模型（Gray Forecast Model）是通过 少量的、不完全的信息，建立数学模型并做出预 测的一种预测方法.当我们应用运筹学的思想方法 解决实际问题，制定发展战略和政策、进行重大 问题的决策时，都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律， 借助于科学的方法对其未来的发展趋势和状况进 行描述和分析，并形成科学的假设和判断

Facebook时间序列预测模型fbprophet安装二fbprophet的安装和验证，博客连接https://blog.csdn.net/qq_22290797/article/details/108751180?spm=1001.2014.3001.5501

时间序列ARMA系列教程，MATLAB代码。

用户投诉预测模型能有效地降低电信用户投诉率，对企业提高用户满意度和竞争力有着至关重要的作用。在模型训练过程中，由于人工设计特征的缺陷和设计过程中存在难以预估的复杂性，使得模型预测的精度和设计特征的效率不能有很大的提升。针对上述问题，提出了一种基于深度学习的用户投诉预测模型。该模型通过深层网络特征学习单元能从电信用户原始数据中自动学习到适合分类器分类的高层非线性组合特征，并将这些高层特征输入到传统分类器中来提高模型的精度。通过实验结果分析，预测模型在AUC指标上比以往用户投诉模型提升了7.1%，证明了该模型自动学习特征的有效性和深度学习在电信大数据领域的可用性。

盾构掘进过程中，为防止地表沉降或隆起，土仓压力的预测与控制至关重要．建立了一种基于粒子群算法优化的 BP 神经网络( PSO-BP) 的土仓压力预测模型．

河钢数字信达，热风炉SVR建立回归模型SVMcgForRegress和预测模型svmpredict，内含现场数据。勿做商用。违规必究。