正在加载中...
查看算法原理、公式、操作流程和结果说明。
灰色预测 GM(1,1)（Grey Model, First-order One-variable）是一类面向小样本与不完全信息系统的时间序列预测方法。该方法通过一次累加生成削弱原始序列的随机波动，再以一阶灰微分方程刻画系统演化规律，适合样本规模较小、总体变化趋势较清晰的预测问…
集成多种时间序列预测方法，用于比较不同模型的拟合与预测表现，适合趋势预测、需求预测和连续指标分析。
集成分位数回归与区间预测方法，用于分析不同条件分位上的变量关系并估计预测区间，适合存在异方差或不确定性的预测任务。
ARIMA（AutoRegressive Integrated Moving Average）是经典的时间序列建模方法，适用于单变量序列的趋势、季节与随机波动建模。本系统以 SARIMAX（季节性 ARIMA + 外生变量） 为核心，支持：
ETS（Error–Trend–Seasonal）指数平滑模型是一类经典的时间序列预测方法，通过水平（Level）、趋势（Trend）与季节（Seasonal）分量的递推更新来刻画序列结构。系统支持无趋势/有趋势、无季节/有季节、加法/乘法季节，以及阻尼趋势等设置。
GARCH（Generalized Autoregressive Conditional Heteroskedasticity）模型用于刻画时间序列中“波动聚集”现象，即大波动后仍可能出现大波动、小波动后仍可能出现小波动。该方法广泛用于金融收益率、经济波动率以及风险管理场景。与…
卡尔曼滤波（Kalman Filter）是一类线性高斯状态空间模型的最优递推估计方法，适用于含噪观测序列的状态估计、平滑与预测。其核心思想是：在给定系统动力学与观测方程的前提下，通过“预测—更新”递推，得到状态的最小均方误差估计。
Prophet-Prophet时间序列模块采用可加性分解思想进行预测，将时间序列表示为趋势项、季节项与随机误差之和。其基础形式为：
STLSSA 是将 STL（Seasonal-Trend decomposition using LOESS）与 SSA（Singular Spectrum Analysis）结合的时间序列分解与去噪方法。其核心思想是：先通过 STL 拆分出趋势项与季节项，再对残差项进行 SS…
向量自回归模型（Vector Autoregression, VAR）是一类用于刻画多变量时间序列动态联动关系的经典模型。与单方程模型不同，VAR 将每个内生变量都视为系统的一部分，并允许其同时受到自身滞后项与其他变量滞后项的共同影响，因此在宏观经济、金融风险、产业联动与政策评…
向量误差修正模型（Vector Error Correction Model, VECM）用于刻画多个非平稳但存在协整关系的时间序列系统。其核心是把长期均衡关系（协整）与短期动态（差分项）统一到同一模型中。
DGM-离散灰色模型 的真实核心主要位于：
GM(1,N)-灰色预测 的真实核心主要位于：
GM(2,1)-灰色预测 的真实核心主要位于：
GreyMarkov-灰色 Markov 修正 的真实核心主要位于：
NDGM-非齐次离散灰色 的真实核心主要位于：
Verhulst-灰色 Verhulst 的真实核心主要位于：
Autoformer-Autoformer 模块在当前项目中的实际实现，是一个面向单变量时间序列预测的简化建模流程。系统先从历史目标序列中构造固定长度的滑动窗口监督样本，再利用随机森林回归器学习“历史窗口到下一时刻数值”的映射关系，最后采用递归方式输出未来若干步预测结果。该实现…
BiLSTM-双向 LSTM 模块是一个基于 TensorFlow/Keras 的时序建模组件，支持回归与分类两类任务。系统先对输入特征进行编码、缺失值删除与可选缩放，再通过滑动窗口构造时序样本，随后训练多层双向 LSTM 网络，并在测试集上输出预测结果与评价指标。
CNNLSTM-CNN–LSTM 混合 模块是一个面向时序数据的混合深度学习组件，支持回归与分类两类任务。系统先对输入特征执行编码、缺失值删除与可选缩放，再通过滑动窗口构造序列样本；随后，利用一维卷积网络提取局部时序模式，再将卷积后的序列特征送入 LSTM 以建模较长时间依赖，…
适合连续阅读，作为本站在线教程的补充入口。