预测

商业预测初识R1. 打开帮助文档首页，查阅其中的“Introduction to R”help Rhelp2. 安装vcd包

基于大数据的电信诈骗行为可视化系统含预测研究【lightGBM，XGBoost，随机森林】本项目旨在开发一个综合性的电信诈骗预测与分析系统,通过对海量电信诈骗数据的深入分析和机器学习模型的应用,实现对潜在诈骗行为的有效识别和预防。该系统不仅提供了多维度的数据可视化分析,还集成了先进的机器学习算法,为电信运营商、监管机构以及普通用户提供了一个强大的反诈骗工具。

论文阅读--《FourierGNN：从纯图的角度重新思考多元时间序列预测》Yi K, Zhang Q, Fan W, et al. FourierGNN: Rethinking multivariate time series forecasting from a pure graph perspective[J]. Advances in Neural Information Processing Systems, 2024, 36.

神经网络与数学建模

SSA-CNN-LSTM多输入回归|樽海鞘算法-卷积-长短期神经网络|Matlab目录一、程序及算法内容介绍：基本内容：亮点与优势：二、实际运行效果：三、算法介绍：四、完整程序下载：本代码基于Matlab平台编译，将SSA(樽海鞘群算法)与CNN-LSTM（卷积-长短期记忆神经网络）结合，进行多输入数据回归预测

【分布预测】DistPred：回归与预测的无分布概率推理方法论文在线版本 — 论文地址 — Github代码地址图 0：DistPred可在一次前向过程中给出N个预测，根据这N个预测可求得该点的分布。

强盛机器学习

无人用过！QRTCN-BiLSTM实现区间预测！区间预测全家桶再更新！声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

电力程序小学童

【免费】融合正余弦和柯西变异的麻雀优化算法SCSSA-CNN-BiLSTM双向长短期记忆网络预测模型该程序实现多输入单输出预测，通过融合正余弦和柯西变异改进麻雀搜索算法，对CNN-BiLSTM的学习率、正则化参数以及BiLSTM隐含层神经元个数等进行优化，并对比了该改进算法和粒子群、灰狼算法在优化方面的优势。该程序数据选用的是一段风速数据，数据较为简单，方便同学进行替换学习。程序对比了优化前和优化后的效果，注释清晰，方便学习，建议采用高版本matlab运行。

泰坦尼克号乘客生存情况预测分析2泰坦尼克号乘客生存情况预测分析1 泰坦尼克号乘客生存情况预测分析2 泰坦尼克号乘客生存情况预测分析3 泰坦尼克号乘客生存情况预测分析总

神经网络与数学建模

WOA-GRU多输入时序预测 | 鲸鱼优化算法-门控循环单元神经网络 | Matlab目录一、程序及算法内容介绍：基本内容：亮点与优势：二、实际运行效果：三、部分程序：四、完整程序下载：本代码基于Matlab平台编译，将WOA(鲸鱼群算法)与GRU（门控循环单元神经网络）结合，进行多输入数据时序预测

神经网络与数学建模

SSA-LSTM多输入回时序预测 | 樽海鞘优化算法-长短期神经网络 | Matlab目录一、程序及算法内容介绍：基本内容：亮点与优势：二、实际运行效果：三、算法介绍：四、完整程序下载：本代码基于Matlab平台编译，将SSA(樽海鞘优化算法)与LSTM（长短期记忆神经网络）结合，进行多输入数据时序预测

科研工作站

Matlab|基于支持向量机的电力短期负荷预测【三种方法】目录主要内容部分代码结果一览下载链接该程序主要是对电力短期负荷进行预测，采用三种方法，分别是最小二乘支持向量机（LSSVM）、标准粒子群算法支持向量机和改进粒子群算法支持向量机三种方法对负荷进行预测，有详实的文档资料，程序注释清楚，方便学习！

神经网络与数学建模

门控循环单元(GRU)-多输入回归预测目录一、程序及算法内容介绍：基本内容：亮点与优势：二、实际运行效果：三、部分程序：四、全部代码+数据分享：

基于Python实现汽车销售数据可视化+预测【500010086.1】时间：表示数据所属的月份和年份。销量：该月的汽车总销量。同比：与上一年同期相比的销量变化百分比。数据范围：数据集包含201条记录。销量数据：总销量为319,164,052辆；平均每月的销量约为1,587,881辆；单月最高销量为2,672,264辆；单月最低销量为216,481辆。

用深度学习预测股市涨跌之学习记录从开始学习深度学习就想用深度学习尝试实现对股市涨跌对预测，虽然不抱很大期望，权当练习了。I5 + RTX 2060 + 16G内存

盖盖的博客

阿里云安全恶意程序检测（速通二）分析连续数值变量和连续数值变量之间的关系，是为了探索变量之间的全局线性、局部线性的关系等，常用方法: plt.scatter, sns.joinplot (kind= A), A = kde。