搜索资源列表
greymodel
- 本程序主要用来计算根据灰色理论建立的模型的预测值。 应用的数学模型是 GM(1,1)。 原始数据的处理方法是一次累加法。-This procedure is mainly used to establish based on gray theory model of predictive value. Application of the mathematical model is GM (1,1). Treatment of the raw data is a cumulative m
huisegaijin
- 灰色模型算法，通过改进之后，考虑了之后的误差处理，减少了因为数据变化太大而引起的预测不准确的现象。-Gray model algorithm, improvements, after taking into account the error handling, reduced because the data has changed so much caused by inaccurate forecasts phenomenon.
chap-6
- MATLAB处理时间序列数据分析使用指数平滑预测模型编程代码-ES code
指数模型
- 指数平滑法（Expinential smoothing method）的思想也是对时间序列进行修匀以消除不规则和随机的扰动。该方法是建立在如下基础上的加权平均法：即认为时间序列中的近期数据对未来值的影响比早期数据对未来值得影响更大。于是通过对时间序列的数据进行加权处理，越是近期的数据，其权数越大；反之，权数就越小。这样就将数据修匀了，并反映出时间序列中对预测时点值的影响程度。根据修匀的要求，可以有一次、二次甚至三次指数平滑。(Exponential smoothing model)
chapter6
- 灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm(1,1)模型所得到的预测值的逆处理结果。(Gray theory believes that although the behavior of the system is awkward and the data is complex, it is, after all, ord
客户流失预测
- 随着全球的商业竞争愈来愈激烈，客户流失预测已经成为客户关系管理中非常重要的内容。预测即将流失的客户，并制定相应的措施挽留客户已经成为促进企业发展的关键性因素。本文从对电信和信用卡客户的行为数据分析入手，针对其中的冗余特征和正负类样本不均衡等特点，提出一种新的特征选择算法和非均衡数据处理算法，以此建立一种新的客户流失预测模型。(Along with the global business more competitive, customer churn prediction has become
ARIMA风速预测
- 用于风电场区域的风速多步预测问题。模型基于ARIMA，通过数据预处理、进行建模，并使用我国山东省两个风电场的历史风速数据进行测试和分析。结果表明，模型的统计误差小。(Multi-step wind speed prediction in wind farm area. The model is based on ARIMA, through data preprocessing, modeling, and using historical wind speed data of two wind
代码实现
- 采用主成分分析法判断了北京2000-2010年的经济活力。采用遗传算法优化的神经元网络模型评估10个城市的经济活力，马尔可夫灰度预测预测未来5年的发展状况。(The economic vitality of Beijing from 2000 to 2010 was judged by principal component analysis. The neural network model optimized by genetic algorithm is used to evaluate
股票预测-最小二乘
- 采用最小二乘法进行MATLAB编写，开盘为输入，收盘为输出。1-600个数据为训练样本集，601-700为预测样本。先对数据进行标准化处理，再利用最小二乘法对模型进行预测，最后进行反标准化处理后输出。(The least square method is used to compile MATLAB. The opening is input and the closing is output. 1-600 data are training samples and 601-700 predic