每条资料为网盘目录，目录内同时包含该算法的 Word 和 PDF 文件。提取码已直接显示，打开网盘后按提示提取即可；如链接失效，请联系售后支持。
No.001
资料已配置
用于基于少量时间序列数据建立 GM(1,1) 灰色预测模型，适合信息有限、样本较少且变化趋势较平稳的指标预测，可辅助查看拟合结果与未来趋势。
Word · 1-灰色预测GM11-20260801-060728.docx
PDF · 1-灰色预测GM11-20260801-060728.pdf
No.016
资料整理中
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。
No.019
资料整理中
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。
No.038
资料已配置
用于建立 ARIMA 时间序列模型，通过自回归、差分和移动平均结构刻画序列变化，适合具有趋势或自相关特征的单变量预测。
Word · 38-ARIMA-自回归差分移动平均模型-20260801-063934.docx
PDF · 38-ARIMA-自回归差分移动平均模型-20260801-063934.pdf
No.043
资料已配置
用于使用指数平滑（ETS）方法分解并预测时间序列中的误差、趋势和季节成分。
Word · 43-ETS-指数平滑-20260801-062821.docx
PDF · 43-ETS-指数平滑-20260801-062821.pdf
No.046
资料已配置
用于建立 GARCH 类模型分析波动聚集和条件异方差，适合金融收益率及其他波动随时间变化的序列。
Word · 46-GARCH-广义自回归条件异方差-20260801-062834.docx
PDF · 46-GARCH-广义自回归条件异方差-20260801-062834.pdf
No.049
资料已配置
用于使用卡尔曼滤波进行动态状态估计、信号平滑和时序预测，适合含噪声的动态系统数据。
Word · 49-Kalman-卡尔曼滤波-20260801-070144.docx
PDF · 49-Kalman-卡尔曼滤波-20260801-070144.pdf
No.052
资料已配置
用于使用 Prophet 建立包含趋势、季节性和节假日效应的时间序列预测模型。
Word · 52-Prophet-Prophet时间序列-20260801-063938.docx
PDF · 52-Prophet-Prophet时间序列-20260801-063938.pdf
No.058
资料已配置
用于 STL 季节趋势分解与 SSA 奇异谱分析，帮助提取时间序列的趋势、季节和噪声成分。
Word · 58-STL_SSA-STL和SSA分解-20260801-062920.docx
PDF · 58-STL_SSA-STL和SSA分解-20260801-062920.pdf
No.060
资料已配置
用于建立向量自回归（VAR）模型，分析多个时间序列之间的动态影响、滞后关系和联合预测。
Word · 60-VAR-向量自回归（VAR）-20260801-062932.docx
PDF · 60-VAR-向量自回归（VAR）-20260801-062932.pdf
No.061
资料已配置
用于建立向量误差修正模型（VECM），分析存在协整关系的多变量时间序列的短期波动与长期均衡。
Word · 61-VECM-协整向量误差修正（VECM）-20260801-063946.docx
PDF · 61-VECM-协整向量误差修正（VECM）-20260801-063946.pdf
No.103
资料已配置
用于建立离散灰色模型，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
Word · 103-DGM-离散灰色模型-20260801-060749.docx
PDF · 103-DGM-离散灰色模型-20260801-060749.pdf
No.109
资料已配置
用于建立灰色预测，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
Word · 109-GM(1,N)-灰色预测-20260801-060806.docx
PDF · 109-GM(1,N)-灰色预测-20260801-060806.pdf
No.110
资料已配置
用于建立灰色预测，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
Word · 110-GM(2,1)-灰色预测-20260801-060813.docx
PDF · 110-GM(2,1)-灰色预测-20260801-060813.pdf
No.111
资料已配置
用于建立灰色 Markov 修正，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
Word · 111-GreyMarkov-灰色 Markov 修正-20260801-060817.docx
PDF · 111-GreyMarkov-灰色 Markov 修正-20260801-060817.pdf
No.112
资料已配置
用于建立非齐次离散灰色，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
Word · 112-NDGM-非齐次离散灰色-20260801-060821.docx
PDF · 112-NDGM-非齐次离散灰色-20260801-060821.pdf
No.113
资料已配置
用于建立灰色 Verhulst，适合小样本或信息不完全条件下的趋势拟合与预测，可辅助查看模型拟合和预测结果；使用前应检查序列特征是否符合方法假设。
Word · 113-Verhulst-灰色 Verhulst-20260801-060824.docx
PDF · 113-Verhulst-灰色 Verhulst-20260801-060824.pdf
No.147
资料已配置
用于使用Autoformer建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Word · 147-Autoformer-Autoformer-20260801-061034.docx
PDF · 147-Autoformer-Autoformer-20260801-061034.pdf
No.148
资料已配置
用于使用双向 LSTM建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Word · 148-BiLSTM-双向 LSTM-20260801-061038.docx
PDF · 148-BiLSTM-双向 LSTM-20260801-061038.pdf
No.149
资料已配置
用于使用CNN–LSTM 混合建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Word · 149-CNN_LSTM-CNN–LSTM 混合-20260801-061041.docx
PDF · 149-CNN_LSTM-CNN–LSTM 混合-20260801-061041.pdf