流量预测 拟议的概念证明，用于解决智​​能城市的交通拥堵和预测问题。 二手-LSTM（用于将来的预测）+ CNN（用于检测流量密度）+实时推文将所有这三种方法结合起来以产生流量拥塞因子（TCF），并在将来的任何时候使用Google API提出基于此的路由建议。 内容 - 公用文件夹- 截至9月18日的TCF数据 LSTM预计到9月18日的时间 src文件夹-React应用程序 实用程序文件- tweets_realtime.py-删除有关流量的地理位置标记的tweets tempserver-临时服务器，将所有从抓取中获得的推文排队，并充当React应用程序的API。 屏幕截图 注意：代码清理仍在进行中，该项目是为黑客马拉松而设计的

此程序是GUI的灰色神经网络预测，适合小样本的预测，精度较高 主程序是graynet_gui, 启动GUI，GUI里面有简介。

使用Elman神经网络进行预测，提供详细的代码，并且有详细的注释，方便阅读

该项目旨在使用提供的数据集建立房价模型，以预测加利福尼亚州的房价中位数。 考虑到所有其他指标，该模型应该从数据中学习并能够预测任何地区的房价中位数。 地区或街区组是美国人口普查局发布样本数据的最小地理单位（街区组通常人口为600至3,000人）。 项目数据集中有20,640个地区。

电力变压器数据集（ETDataset） 在此Github存储库中，我们提供了一些可用于长序列时间序列问题的数据集。 所有数据集均已进行预处理，并存储为.csv文件。 该数据集的范围从2016/07至2018/07，我们将尽快更新至2019年。 数据集列表（更新中） ETT-small ：2个站点的2个电力变压器的数据，包括负载，油温。 ETT-large ：39个站点的39个电力变压器的数据，包括负载，油温。 ETT-full ：在39个站点的69个变电站的数据，包括负载，油温，位置，气候，需求。 如果使用此数据集，请引用Informer @ AAAI2021 Best Paper Award ： @inproceedings{haoyietal-informer-2021, author = {Haoyi Zhou and Sha

基于神经网络模型的房价预测问题研究.pdf

机器学习实现的蓬勃发展，引起了不同行业的兴趣，将其用于时间序列问题的分类和预测。 在探索时间序列的机器学习方法之前，最好确保您尝试过经典和统计时间序列预测方法，这些方法在广泛的问题上仍然表现良好，前提是数据准备充分且方法良好配置。 在本文中，它列出了 MATLAB 中可用的一些经典时间序列技术，您可以在探索机器学习方法之前先尝试它们来解决您的预测问题。 它为您提供了每种方法的提示，以使您可以从一个有效的代码示例入手，并在哪里可以找到有关该方法的更多信息。 概述： 本文演示了 11 种不同的经典时间序列预测方法，它们分别是1）自回归（AR） 2）移动平均线3) 自回归移动平均线4) 自回归综合移动平均线 (ARIMA) 5) 季节性自回归综合移动平均 (SARIMA) 6) 带外生回归量的季节性自回归综合移动平均线 (SARIMAX) 8）具有ARIMA误差的回归模型9) 向量自回归

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。

我们爱数模2014美赛护航培训讲义三：如何思考预测问题.pdf_数学建模学习资料

MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。 1.平均绝对误差（Mean Absolute Error, MAE） 误差越大，该值越大。 2.均方误差（Mean Squared Error, MSE） 误差越大，该值越大。 SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。 3.均方根误差（Root Mean Square Error, RMSE） 是MSE的算数平均根 误差越大，该值越大。 4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE） 注意：当真实值有数据等