沃伦-股票价格预测器 股市预测是试图确定公司股票或在交易所交易的其他金融工具的未来价值的行为。 成功预测股票的未来价格可能会产生可观的利润。 有效市场假说表明，股票价格反映了所有当前可用的信息，因此，任何不基于新发现信息的价格变化本质上都是不可预测的。 其他人则不同意，并且拥有这种观点的人拥有无数的方法和技术，据称它们可以获取未来的价格信息。 在这里，我们利用Facebook的时间序列预测算法Prophet，使用多变量，单步预测策略，实时预测美国公司的股票市场价格。 入门 从github下载或克隆项目 $ git clone https://github.com/nityansuman/wa

使用混频抽样模型对宏观经济数据进行实时预测

人工智人-家居设计-盒形件智能化拉深压边力控制规律的研究和实时预测.pdf

提出以预测船位差实现航迹预测的思想，并设计基于三层BP神经网络的航迹预测模型。模型以航向、航速和经度差、纬度差作为输入输出。实验表明，该算法预测精度高、算法耗时短、计算参数少，符合VTS对航迹预测的准确、实时、通用性的要求，表明方法是有效可行的。

海浪模型的matlab代码海浪预测 该存储库使用递归神经网络根据以前的数据预测海浪。 它从模拟中获取时空数据，然后在时间序列数据中应用递归神经网络。 时间序列数据中的每个节点都是空间域。 该代码是论文中CRNN的修订版：卷积RNN：一种从顺序数据中提取特征的增强模型（） 调用以下函数等效于应用一个CRNN层。 对于具有几个CRNN层的深层模型，应多次调用该函数。 给定一个张量，该函数提取kernel_size时间步长的补丁，并使用一个或多个递归层对其进行处理。 然后返回递归神经网络的隐藏状态作为代表路径的特征向量。 精氨酸： 张量：要执行操作的张量，其形状为[batch, time-steps, features]或[batch, time-steps, features, 1] 。 kernel_size：每个补丁/窗口中包含的时间步数（与标准一维卷积相同）。 步幅：两个连续补丁/窗口之间的时间步数（与标准一维卷积中的时间步数相同）。 out_channels：从每个面片/窗口中提取的要素数量（在标准的一维卷积中，称为要素图的数量），它是处理每个面片/窗口的循环图层的隐藏维。 rnn

网络管道：网络流量数据管道，用于实时预测和构建深度神经网络的数据集

股市动荡，集群波动，基于情绪和新闻报道的价格波动很普遍。 贸易商使用各种公开可用的信息来预测营销决策。 本文使用对可公开获得的新闻报道的情感分析，为交易者提供了有关股票交易的建议。 它基于一个假设，即新闻文章对股票市场有影响，以此假设为基础，我们研究了新闻与股票趋势之间的关系，并证明了负面新闻对股票市场具有持续影响。 为了证明这一假设，使用了半监督学习技术来构建新闻分类的最终模型。 研究表明，以TF-IDF为特征的SVM在进一步分析中表现良好。 预测模型的准确性超过90％，与股票的退货标签具有52％的相关性。

针对氧化铝配料过程中返回物料成分波动大且难以在线检测的问题,首先,利用滞后的离线分析获得的多变量时间序列,直接构造包含充分预测信息的初始相空间;然后,构建时间序列决策表,并采用一种IGA算法对冗余嵌入和冗余变量进行Rs约简,获取广义重构相空间;最后,根据广义重构结果构造输入样本集,建立LS_SVM实时预测模型.仿真结果表明,提出的模型具有较好的泛化能力,能获得较理想的返料成分含量预测精度(6种氧化物的相对均方根误差均小于13%),具有一定的应用价值.

文章讲解介绍：https://blog.csdn.net/qq_33302004/article/details/113971171