代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模型的组合预测代码 离散灰色预测模型和AR预测模

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。

为有效预测煤与瓦斯的突出强度，分析了煤与瓦斯突出的主要影响因素，建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型，通过实例对该模型的预测效果进行检验，同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测，进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％。可见，PSO-SVM方法的预测效果要好于BP-NN和SVM，对煤矿煤与瓦斯突出强度预测具有一定的参考价值

遗传算法嵌入粒子群算法优化LSSVM回归预测模型 pso-ga-lssvm 遗传算法嵌入粒子群算法优化LSSVM回归预测模型 直接替换数据就可以运行

针对目前时用水量预测模型中对时用水量影响因素分析研究较少的问题,通过分析各种时用水量影响因素与时用水量之间的相关性,筛选出时用水量的主要影响因子;通过分类将1 d划分为3个时段,建立分时段用水量模型。采用BP神经网络预测,精度指标采用平均绝对百分比误差（MAPE）表示。实例分析结果表明：模型预测MAPE均在5%以内,预测精度较高,满足供水系统优化调度的要求,为城市时用水量预测提供一种简单可行的思路和方法。

CE903集团项目弗雷明汉心脏研究 构建预测模型，以预测十年的冠心病风险。 目录 基本信息 旨在准确预测10年内冠心病的总体风险（即患者是否处于危险中）的研究该数据集包含4230名患者和15个属性，在除去缺失值后，剩下3658个总样本。 输出存储在变量'TenYearCHD'下，并显示在丢失缺失值之前和之后的类不平衡： 0类没有风险| 3101 | 84.8％ 第1类| 十年风险| 557 | 15.2％ 下图显示了标签的不平衡： 我们探索不同的预测分类模型，其目标是调整可以准确地对两个类别进行分类的模型，为此，评估的重点指标将是： 精确 记起 F1分数 精确召回曲线的曲线下面积（AUC） 该指标是在处理不平衡数据集的基础上选择的，为了处理这种不平衡，选择的主要技术是综合少数族裔过采样技术（SMOTE）和随机欠采样。 同样重要的是要注意，由于研究的性质，召回将优先于精度，因为

针对水质预测问题，以地表水水质监测因子作为研究对象，提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型，同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪，提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验，证明了所提出的方法均方误差最小，预测结果更准确.

【预测模型】基于蚁群算法优化bp神经网络实现数据预测matlab源码.pdf

【预测模型】基于emd-SVR实现数据预测matlab源码.zip

人工智能-项目实践-回归分析-MATLAB气象数据回归预测模型