基于关联规则的股票时间序列趋势预测研究(论文)

绍了关联规则挖掘的研究性况，提出了关联规则的分类方法，对一些典型算法进行了分析和秤价，指出传统关系规则衡量标准的不足，归纳出关联规则的价值衡量方，展望了关联规则挖掘的未来研究方向

分析了“紧致型”小波神经网络的结构和特点。在利用神经网络分析时间序列预测方法的基础上，用方差分析的统计方法确定样本序列的长度，从而有效地确定神经网络输入层节点数。对太阳黑子年平均活动序列进行了训练和预

结合相空间重构理论和统计学习理论.实现混沌时间序列的多步预测.采用微熵率法求得最优嵌入维数和时延参数,重构系统相空间,用最小二乘支持向量机建立混沌时间序列的多步预测模型,并与径向基函数网络预测模型比较

布尔时间序列中的关联规则挖掘较难处理, 因为多数关联规则仅挖掘不同事务共同出现的规则, 却难以体现同一事件在不同时间内动态变化间的关联性. 鉴于此, 提出一种新的关联规则挖掘框架, 利用常量化表示布尔

时间序列模型（时间序列预测资料）

Time_Series_Analysis,时间序列我分析，带有小数据集，方便验证，python实现

R语言代码本人亲测可以跑ARIMA和SVM组合预测ARIMA与SVM模型各有优缺点，但由于分别对线性模型及非线性模型处理具有优势，他们之间存在优势互补，因此，二者组合起来进行价格预测，可能会收到较好结

传统上相空间重构与预测模型参数优化分开优化，割裂两者的联系，模型预测性能难以达到最优。利用相空间重构和预测模型参数的互相关系，提出一种混沌时间序列预测模型参数同步优化方法。首先采用均匀设计方法对影响模

基于关联规则中Apriori算法的课程分析的研究，李伟杰，张晓莹，运用关联分析方法对学生数十门课程成绩数据进行挖掘，寻找课程之间的关联关系。首先分析了关联规则的原理和方法，然后提出了一种

数据挖掘 分类 类聚 关联规则 ，关联规则算法研究是实用行的数据可以为数据挖掘算法提供基础的信息。