搜索资源列表
随机过程 时间序列的分析
- 是随机过程中时间序列分析作业，基于Matlab编程实现模型判别，参数求取，模型预测等，另附有本人作业全文，供大家参考。-random process is time-series analysis of operations, based on the Matlab programming model checker, parameters strike, model projections, followed by my work, for your reference.
预测系统
- 灰色预测模型称为CM模型，G为grey的第一个字母，M为model的第一个字母。GM（1，1）表示一阶的，一个变量的微分方程型预测模型。GM（1，1）是一阶单序列的线性动态模型，主要用于时间序列预测。 一、GM（1，1）建模 设有数列 共有 个观察值 对 作累加生成，得到新的数列 ，其元素 （5-1） 有： 对数列 ，可建立预测模型的白化形式方程， （5-2） 式中： ——为待估计参数。分别称为发展灰数和内生控制灰数。设 为待估计参数向量 则 按最小二乘法求解， 有： （5-3） 式中： （5-
递归神经网络对时间序列的预测
- 递归神经网络对时间序列的预测
混沌时间序列分析与预测工具箱
- 混沌时间序列分析与预测工具箱 Version1.0 chaotic time series analysis and prediction matlab toolbox - version 1.0
svm-km.rar
- 支持向量机(SVM)是数据挖掘中的一个新方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。它广泛的应用于统计分类以及回归分析中. 支持向量机属于一般化线性分类器.他们也可以认为是提克洛夫规则化（Tikhonov Regularization）方法的一个特例.这族分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区
Gmmatlab.rar
- 灰色预测模型的matlab程序，用于对时间序列做预测。,Gray prediction model matlab procedure done for time series prediction.
Prediction_RBF
- matlab编写的基于混沌时间序列的神经网络预测，包括一步和多步预测算法。-matlab prepared chaotic time series based on the neural network to predict, including step and multi-step prediction algorithm.
RBF
- 利用RBF进行时间序列的预测，可用于故障诊断中的参数估计和预测-Use of RBF for time series prediction can be used for fault diagnosis of parameters estimates and projections
ChaosToolbox
- 混沌时间序列分析与预测工具箱 该工具箱包括了混沌时间序列分析与预测的常用方法.-Chaotic time series analysis and prediction of the toolbox toolbox includes chaotic time series analysis and prediction of the commonly used methods.
OpenTSTOOL1_02
- 用于非线性时间序列分析的软件包。可用于计算：时间延迟重构，分形维数，互信息，Lyapunov指数，替代数据集，最近临点统计，回归时间，庞加莱截面，非线性预测-TSTOOL is a matlab software package for nonlinear time series analysis. TSTOOL can be used for computing: Time-delay reconstruction, Lyapunov exponents, Fractal dimensions
ARMAsel_mis_irreg_4
- 时间序列的基本模型的参数估计和预测 以及和谱分析的方法的相关程序-Copyright (c) 2009, Piet M T Broersen All rights reserved. Redistribution and use in source and binary forms, with or without modification, are permitted provided that the following conditions are met:
指数型加权零阶局与预测法
- 加权零阶局域预测法对时间序列数据进行短期预测(Calculating the Poincare cross section of time series)
小波神经网络的时间序列预测-短时交通流量预测
- 本文采用小波神经网络进行交通流量预测，短时交通流量存在随机性和非线性因素，影响预测的准确性。传统预测模型难以反映交通流量变化特点，同时传统神经网络易陷入局部极小值，泛化能力差，交通流量预测精度低。为了提高短时交通流量预测精度，提出一种小波神经网络的短时交通流量预测模型。小波神经网络可以对短时交通流量随机性、不确定性进行局部分析，并进行非线性预测，验证了模型的有效性，进行了对比试验。验证结果表明，小波神经网络提高了短时交通流量预精度，预测结果更具应用价值。(In this paper, wavel
LSTM时间序列预测
- 本代码采用python语言编写的的一个LSTM时间序列来预测销量(This code uses a LSTM time series written in Python language to predict sales)
LSTM程序
- 基于LSTM的时间序列预测-原理-python代码(Prediction of time series based on LSTM - principles -python code)
scmt.m
- 用PSO-BPNN算法对时间序列数据进行拟合并预测未来一段时间数据(Using pso-bpnn algorithm to predict the future time series data)
LSTM股票预测
- Lstm进行时间序列预测，预测股票数据，按日的数据(Prediction of time series by LSTM)
股票预测
- python LSTM进行时间序列预测，股票每日的数据(Time series prediction by Python LSTM)
LSTM预测
- 使用LSTM对销售数据（吉恩销售数据集）进行预测(Use LSTM to forecast sales data)
ARIMA
- ARIMA 模型是在平稳的时间序列基础上建立起来的，因此时间序列的平稳性是建模的重要前提。检验时间序列模型平稳的方法一般采用 ADF 单位根检验模型去检验。当然如果时间序列不稳定，也可以通过一些操作去使得时间序列稳定（比如取对数，差分），然后进行 ARIMA 模型预测，得到稳定的时间序列的预测结果，然后对预测结果进行之前使序列稳定的操作的逆操作（取指数，差分的逆操作），就可以得到原始数据的预测结果。(time series prediction ARIMA)