python keras tensorflow 实现，长短时记忆网络，AI项目，有数据集和代码，jupyter notebook 代码编写，有出图，包括模型保存

使用深度学习预测股票市场 在这个项目中，我使用称为LSTM的最佳深度学习算法之一来预测和预测Amazon Inc.的价格。

本项目基于从伯明翰市议会 NCP 运营的伯明翰停车场收集的数据，利用深度学习预测智能城市停车场剩余车位。本项目采用WaveNet模型，该模型引入扩张的因果卷积层来处理时间数据，并学习到长期序列趋势关系。结果表明，该模型在Parking Birmingham Data Set数据集上有着显著的效果，预测误差小。

基于 Keras 用深度学习预测时间序列 基于 Keras 用深度学习预测时间序列

采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。 Long-Term Prediction of Vehicle Trajectory Based on a Deep Neural Network

粗糙集matlab代码 风力发电风速预测      自己论文的源代码，by jzx 方法1，基于LSTM神经网络的风速预测   两层lstm神经网络的时间序列预测，利用lstm，避免传递过程中的梯度消失。   代码：lstm.py。使用keras搭建。 方法2，基于CNN和RNN融合模型+FRS+风速软测量的风速预测 模糊粗糙集属性约简+风机软测量方法的输入参数融合   模糊粗糙集属性约简修改的matlab算法，python实现。 Clstm神经网络模型   clstm神经网络模型用的pytorch搭建，pytorch的确简单好用 整体预测框图 风速预测结果

石墨烯能带matlab代码深石墨烯 论文： Deep Learning Bandgaps of Topologically Doped Graphene袁栋， Deep Learning Bandgaps of Topologically Doped Graphene ，张池，刘应达，林健，程建林网址：<脚本形式> 作者： Chuhan Wu 信息： 作者 吴楚汉 董元 建林城 健林 电子邮件 介绍： 此Repo包含Deep Learning Bandgaps of topologically Doped Graphene的Paper Deep Learning Bandgaps of topologically Doped Graphene的源代码，它包含我们用来预测石墨烯超级电池的带隙值的所有算法（Graphene-SVR，VCN，RCN，CCN）。 同时，它包含石墨烯超级电池的最新数据（4by4：13018，5by5：79647，6by6：6382）。 DeepGraphene是一项跨学科研究，针对带隙值预测问题实施了机器学习方法。 它将不同类型的石墨烯超级电池结构描述为二维矩阵

这是关于DBN时间序列预测的材料，特别适合初学者，可以帮助你们快速学习深度置信网络的预测

深度学习在设备故障预测与健康管理中的应用_陈志强.caj

从复杂系统的历史故障数据出发,提出了一种基于长短期记忆(LSTM)循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。 知网论文，学习使用