1.在TASK3中虽然给出了时间序列挖掘加融合模型的方法预测price，但是并不能识别到负电价的情况。查看TASK3给出的代码的预测结果可以发现模型几乎不会预测出负数，这和实际情况是有差别的。
2.爬取天气信息
可以发现温度的变化也会影响price的变化
利用这些信息可以进一步提升模型的效果
相关推荐
测试界的小码农7 分钟前
【让 AI 生成的测试用例变成 pytest API 自动化脚本】天天代码码天天30 分钟前
我开源了一个家庭备份工具：把手机照片和视频，存回自己的电脑AI源码32 分钟前
基于机器学习的古籍文字识别与断句校正系统用户83390496069542 分钟前
记账大师 AIUI购物记账与交互可靠性实践数智人生局44 分钟前
配置驱动的通用 ETL 执行引擎：告别"每个需求写一个 Spark 作业"（改配置不发版）隔窗听雨眠1 小时前
数据中台退潮之后的企业数据架构重构Neurocoda1 小时前
基于 NumPy 从零实现 Tiny-AlexNet 在 MNIST 数据集上的验证youcans_1 小时前
【嵌入式软件AI编程】（3）面向 AI 协同开发的 STM32 硬件信息标准化AOI小白新手上路1 小时前
深度学习算力购置方案分析：本地 RTX 4090 服务器 vs 云端租赁QXWZ_IA1 小时前
北斗高精度定位在泛自然资源行业的技术演进与应用方向