FX168财经网_全球视野外汇黄金加密货币NFT资讯网

LSTM深度学习股价预测：精准捕捉趋势

LSTM深度学习股价预测：精准捕捉趋势代码介绍以下代码由今日美股网(www.TodayUSStock.com)代码学院提供,此策略使用长短期记忆网络（LSTM），一种递归神经网络（RNN），来处理时间序列数据，预测股票价格的未来走势。LSTM能够捕捉到长时间序列中的依赖关系，适用于股价这种具有时间序列特征的数据。代码及加载方法 Python import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense from tensorflow.keras.optimizers import Adam # 加载数据 # 假设我们有一个包含股票历史数据的DataFrame 'data' # 'data'的结构应至少包含'Date', 'Close'列 # 这里仅作为示例，实际使用时需要替换为真实的数据获取方法 data = pd.DataFrame({ 'Date': pd.date_range(start='2020-01-01', periods=1000), 'Close': np.random.randn(1000).cumsum() + 100 }) # 数据预处理 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(data['Close'].values.reshape(-1, 1)) # 创建时间序列数据 def create_dataset(dataset, look_back=60): X, Y = [], [] for i in range(len(dataset) - look_back): X.append(dataset[i:(i + look_back), 0]) Y.append(dataset[i + look_back, 0]) return np.array(X), np.array(Y) look_back = 60 X, y = create_dataset(scaled_data, look_back) # 重塑输入数据为LSTM所需的格式 [样本数量, 时间步长, 特征数量] X = np.reshape(X, (X.shape[0], X.shape[1], 1)) # 分割训练集和测试集 train_size = int(len(X) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 构建LSTM模型 model = Sequential() model.add(LSTM(units=50, return_sequences=True, input_shape=(look_back, 1))) model.add(LSTM(units=50)) model.add(Dense(1)) # 编译模型 model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error') # 训练模型 model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test), verbose=2) # 预测 predicted_stock_price = model.predict(X_test) predicted_stock_price = scaler.inverse_transform(predicted_stock_price) real_stock_price = scaler.inverse_transform(y_test.reshape(-1, 1)) # 评估模型 mse = np.mean((predicted_stock_price - real_stock_price)**2) rmse = np.sqrt(mse) print(f"均方根误差: {rmse}") # 预测未来价格 # 假设我们想要预测接下来的5天股价 last_sequence = scaled_data[-look_back:] X_future = [] for i in range(5): last_sequence = np.append(last_sequence[1:], predicted_stock_price[-1]).reshape(-1, 1) X_future.append(last_sequence) X_future = np.array(X_future) # 预测未来价格 future_predictions = model.predict(X_future) future_predictions = scaler.inverse_transform(future_predictions) # 打印预测结果 print("未来5天的股价预测:") for i, price in enumerate(future_predictions): print(f"第 {i+1} 天预测价格: {price[0]}") 加载方法：将上述代码保存为一个Python文件，例如"LSTM_Stock_Prediction.py"。然后使用Python环境运行此脚本，确保安装了所需的库（pandas, numpy, scikit-learn, tensorflow）。你可以通过命令行运行： python LSTM_Stock_Prediction.py 参数说明参数意义 look_back 时间序列的长度，用于预测，默认为60天 units LSTM层中的神经元数量，影响模型的复杂度 epochs 训练轮数，影响模型的学习程度 batch_size 每批次数据的大小，影响模型更新频率使用建议使用LSTM进行股价预测时，请注意以下几点：数据质量极为重要，确保使用高质量的历史数据进行训练。增加更多的特征，如交易量、技术指标等，可能提高预测的准确性。考虑使用更多的LSTM层或结合其他类型的神经网络进行集成学习。模型过拟合是常见问题，可通过调整网络结构、增加正则化或者使用dropout等方法来避免。市场变化迅速，模型需要定期训练以保持预测的准确性。金融市场预测具有不确定性，深度学习模型应作为辅助工具而非唯一决策依据。 X用户点评 "LSTM预测确实能捕捉到一些趋势，但要注意数据的预处理和特征选择。" - @DeepLearningTrader "在股票市场用LSTM时，模型的表现会受到市场环境影响，需持续监控。" - @LSTMInvestor "这个策略在期货市场预测中表现不错，但要特别注意模型的实时更新。" - @FuturesLSTM "外汇市场的LSTM预测需要全球经济数据的支持才能提高准确性。" - @ForexLSTM "加密货币市场的价格波动性大，LSTM预测需要结合更多市场变量。" - @CryptoLSTM 来源：今日美股网

今日美股网7小时前

Variant：为什么更好的AI需要Crypto

序列建模方面取得了进展，例如 RNN、LSTM 和注意力机制，这使得当前基础 LLM 所依赖的“Transformer”模型架构成为可能。但随着 GPT-3 的推出（它逆转了 GPT-2 开源的趋势）和 ChatGPT 的巨大成功，这一切都发生了变化。这是因为 OpenAI 证明，如果你在海量模型上投入足够的计算和数据，你就可以构建似乎能理解人类语言的 LLM。这造成了资源问题，导致学术界无法负担高昂的价格，并导致大型科技公司实验室基本停止公开发布其模型架构以保持竞争优势。目前主要依赖个别实验室的状态将限制我们突破最先进技术界限的能力。通过加密技术实现的开源 AI 将意味着研究人员将再次能够在尖端模型上继续这一迭代过程，以发现“下一个transformer”。

金色财经01-17 12:02

为什么说Aladdin将会成为2024年的超级黑马？

格、成交量、市场深度等数据使用神经网络LSTM进行市场趋势预测和价格波动预测。从而实现自动化交易和行情趋势的把握来实现交易盈利！同时Aladdin（阿拉丁）打造了基于BTC二层网络的AladdinBTCLayer2隐私公链，在AladdinBTCLayer2中主要突出了以下优势： 1、解决方案的成功取决于它们提供类似于EVM的完整执行环境、解决当前限制并培育更具包容性的开发环境的能力。 2、实现围绕BTC的快速实验，同时保持核心网络的稳定性。 3、使用户能够在比特币上执行快速、安全和保密的交易。Aladdin独立于比特币运作，拥有自己的账本，并放弃利用比特币的PoW共识机制，转而采用由约60名成员组成的Aladdin联盟，他们作为新区块的创建者。作为BTC二层网络AladdinBTCLayer2隐私公链将实现三大愿景第一大愿景把BTC跨到兼容EVM的Layer2，实现一系列的基于BTC的复杂应用场景，第二大愿景把BTC以去中心化的方式引入任意区块链，让BTC在任意生态和网络自由流通。第三大愿景 AladdinBTCLayer2引入零知识证明（Zero-KnowledgeProofs）隐私保护技术，确保在Layer2网络上的交易信息不被公开，从而实现用户隐私的保护。 BTCLayer2隐私公链的终极目标当以Aladdin为代表的BTCLayer2解决方案得到了广泛普及，整个比特币社区都可以看到比特币真的可以用去中心化的方式拓展更丰富的应用场景 Aladdin（阿拉丁）使命 Aladdin（阿拉丁）作为全球顶级的一站式加密货币AI理财平台工具，旨在为用户提供更加安全、便捷的区块链资产交易和兑换服务，聚合全球优质区块链资产，致力于打造世界级的区块链资产理财平台平台和最安全的BTCLayer2隐私公链。总结从整个生态应用出发，Aladdin（阿拉丁）BTC Layer2隐私公链的实现和本身AI理财所具备的用户资源，将会起到一个爆发式增长，从技术角度来讲，Aladdin（阿拉丁）的创始团队都拥有着丰富的技术兼市场经验，背靠华尔街知名资本，所以说Aladdin（阿拉丁）将是今年最大的一匹黑马，同时这也是为什么能受到众多著名资本的青睐的原因！来源：金色财经

金色财经2024-07-09

一文了解 Bumper 利用人工智能助力DeFi风险管理

场数据。此外，该模型结合了长短期记忆（LSTM）用于历史时间序列预测，增强了根据过去趋势预测未来市场走势的能力。总结 Bumper项目通过将AI整合到其DeFi协议中，致力于在加密货币市场中提供更有效的风险管理解决方案。该项目利用价格预测、情绪分析和技术分析三大AI技术栈，结合基于代理建模（ABM）的方法，动态调整保费定价以适应实时市场波动。通过这种创新方法，Bumper不仅提高了协议的经济效率，还为参与者创造了一个更公平、安全和可靠的环境。这些技术的综合应用预计将使Bumper的协议效率提升5-25%，有效解决了降低保费、提高收益和增强偿付能力之间的平衡问题。来源：金色财经

金色财经2024-06-14

“车来了”开到港交所了，元光科技或成“智能时序数据第一股”

如循环神经网络(RNN)、长短时记忆(LSTM)和Transformer架构，有效处理大规模数据，应对复杂模式，提高预测准确性。此外，其还根据行业特点对模型进行定制化适配和微调，进一步提升了模型的预测性能。据灼识咨询数据显示，公司对公交车到站时间的预测准确率约为90.0%，优于行业平均水平。此外，其还于近期引入了AI驱动的聊天机器人功能，让用户通过语音指令进行控制，进一步提升用户体验。基于此，元光科技不仅能够满足现有客户和用户的实时需求，而且具备开发解决整个行业通用问题的标准化产品的能力。这不仅为公司在现有市场领域中保持领先地位提供了坚实基础，也为未来在各行各业的广泛应用铺平了道路。营收利润保持稳健，商业模式不断被验证当然，业绩表现作为判断一家公司发展如何最直观的指标，稳健的业绩水平和盈利能力进一步验证了元光科技良好基本面和商业模式的可持续性。招股书显示，2021年至2023年期间，公司收入分别为1.63亿元、1.35亿元及1.75亿元；毛利分别为1.23亿元、9880.2万元及1.33亿元，毛利率分别为75.1%、73.0%及76.3%。资料来源：招股书不过值得注意的一点是，2021年至2023年期间，元光科技分别录得负债净额2.1亿元、2.62亿元及2.66亿元，主要是由于同期公司以公允价值计量且其变动计入损益的金融负债结余分别为3.29亿元、3.9亿元及4.03亿元，该数值增长主要是由于公司的估值增加。简单来说，财报中所体现出来的亏损情况，实际上是由于过往融资发放给投资人的“优先股”公允价值增加而带来的非经营性亏损。可以看到，一方面，这种亏损并未对公司的现金流造成影响，属于非现金性质的损益，不影响公司的实际经营状况。另一方面，一旦公司上市，这些优先股将转换为普通股，相关亏损科目也将也将清零并不再产生。剔除掉公允价值变动的影响，按照非国际财务报告准则计量，2021年至2023年期间，公司的经调整净利润分别为4419.6万元、981.4万元及4649.5万元，经调整净利率为27.0%、7.2%及26.6%。资料来源：招股书此外，元光科技也在不断探索数据分析技术在不同行业中的应用，扩大产品组合，以满足不断变化的市场需求，打造新的业绩增长点。据悉，公司利用其在公交领域的成功经验，将数据分析产品范围扩展至如为电力交易方提供策略指导以实现盈利能力最大化，为共享电单车运营商提供超载事件识别以确保电单车的使用符合法规等不同行业，为公司的长期增长注入新的动力。资料来源：招股书资本加持、十年护航，市场青睐前景可期回到投资逻辑上，数据智能服务这种高技术壁垒行业的专业性可能较难把握，而专业投资机构往往更专业，并具有信息优势，在评估企业价值方面通常更为精准，能够为普通投资者提供一些参考。公开资料显示，自2010年成立以来，元光科技先后获得了阿里巴巴、CBC宽带资本、滴滴等多家专业投资机构的加持，累计融资达5000余万美元。其中，阿里巴巴更是在公司A1轮融资阶段便已加入，长达十年的陪跑足以体现出资本对其价值的青睐和发展潜力的坚定信心。资料来源：招股书不难猜想，元光科技此次进军港股或将带给市场投资人一个良好的机会。若后续公司顺利推动上市进程，在市场高速增长及资本的有力支持下，其有望进一步增强其市场竞争力，展现出更加强劲的发展势头。

格隆汇2024-06-04

“车来了”开到港交所了，元光科技或成“智能时序数据第一股”

如循环神经网络(RNN)、长短时记忆(LSTM)和Transformer架构，有效处理大规模数据，应对复杂模式，提高预测准确性。此外，其还根据行业特点对模型进行定制化适配和微调，进一步提升了模型的预测性能。据灼识咨询数据显示，公司对公交车到站时间的预测准确率约为90.0%，优于行业平均水平。此外，其还于近期引入了AI驱动的聊天机器人功能，让用户通过语音指令进行控制，进一步提升用户体验。基于此，元光科技不仅能够满足现有客户和用户的实时需求，而且具备开发解决整个行业通用问题的标准化产品的能力。这不仅为公司在现有市场领域中保持领先地位提供了坚实基础，也为未来在各行各业的广泛应用铺平了道路。营收利润保持稳健，商业模式不断被验证当然，业绩表现作为判断一家公司发展如何最直观的指标，稳健的业绩水平和盈利能力进一步验证了元光科技良好基本面和商业模式的可持续性。招股书显示，2021年至2023年期间，公司收入分别为1.63亿元、1.35亿元及1.75亿元；毛利分别为1.23亿元、9880.2万元及1.33亿元，毛利率分别为75.1%、73.0%及76.3%。资料来源：招股书不过值得注意的一点是，2021年至2023年期间，元光科技分别录得负债净额2.1亿元、2.62亿元及2.66亿元，主要是由于同期公司以公允价值计量且其变动计入损益的金融负债结余分别为3.29亿元、3.9亿元及4.03亿元，该数值增长主要是由于公司的估值增加。简单来说，财报中所体现出来的亏损情况，实际上是由于过往融资发放给投资人的“优先股”公允价值增加而带来的非经营性亏损。可以看到，一方面，这种亏损并未对公司的现金流造成影响，属于非现金性质的损益，不影响公司的实际经营状况。另一方面，一旦公司上市，这些优先股将转换为普通股，相关亏损科目也将也将清零并不再产生。剔除掉公允价值变动的影响，按照非国际财务报告准则计量，2021年至2023年期间，公司的经调整净利润分别为4419.6万元、981.4万元及4649.5万元，经调整净利率为27.0%、7.2%及26.6%。资料来源：招股书此外，元光科技也在不断探索数据分析技术在不同行业中的应用，扩大产品组合，以满足不断变化的市场需求，打造新的业绩增长点。据悉，公司利用其在公交领域的成功经验，将数据分析产品范围扩展至如为电力交易方提供策略指导以实现盈利能力最大化，为共享电单车运营商提供超载事件识别以确保电单车的使用符合法规等不同行业，为公司的长期增长注入新的动力。资料来源：招股书资本加持、十年护航，市场青睐前景可期回到投资逻辑上，数据智能服务这种高技术壁垒行业的专业性可能较难把握，而专业投资机构往往更专业，并具有信息优势，在评估企业价值方面通常更为精准，能够为普通投资者提供一些参考。公开资料显示，自2010年成立以来，元光科技先后获得了阿里巴巴、CBC宽带资本、滴滴等多家专业投资机构的加持，累计融资达5000余万美元。其中，阿里巴巴更是在公司A1轮融资阶段便已加入，长达十年的陪跑足以体现出资本对其价值的青睐和发展潜力的坚定信心。资料来源：招股书不难猜想，元光科技此次进军港股或将带给市场投资人一个良好的机会。若后续公司顺利推动上市进程，在市场高速增长及资本的有力支持下，其有望进一步增强其市场竞争力，展现出更加强劲的发展势头。

格隆汇2024-06-04

拜特科技申请企业司库管理方法、系统、设备及存储介质专利，实现智能化的企业司库管理并提高了司库需求预测的准确率

道数据收集，得到多个目标渠道数据；通过LSTM模型进行时序关联特征分析，得到多个第一时序关联特征；对多个目标渠道数据进行数据关联关系分析，得到数据关联关系信息集合；根据数据关联关系信息集合对第一时序关联特征进行特征整合，得到第二时序关联特征；通过第一司库需求预测模型进行司库需求预测，得到第一司库需求预测数据；根据第一司库需求预测数据对第一司库需求预测模型进行模型参数优化，得到第二司库需求预测模型，本申请实现了智能化的企业司库管理并提高了司库需求预测的准确率。

金融界2024-04-02

英伟达2024 年第 4 季度业绩电话会分析师问答

AlexNet 开始，一直到 RNN、LSTM、RL 到深度学习的架构。 RL 到变压器到每个版本。每一个版本和每一个出现的物种，视觉变换器，多模态变换器，每一个——现在是时间序列的东西，每一个变化，每一个出现的人工智能物种，我们已经能够支持它，优化我们的堆栈并将其部署到我们的安装基础中。这确实是最令人惊奇的部分。一方面，我们可以发明新的架构和新技术，比如我们的 Tensor 核心，比如我们的 Tensor 核心的变压器引擎，改进了新的数值格式和处理结构，就像我们对不同代的 Tensor 核心所做的那样，同时，支持同时安装的基础。因此，我们将所有新的软件算法投资——发明，所有的发明，行业模型的新发明，一方面它在我们的安装基础上运行。另一方面，每当我们看到一些革命性的东西——比如变形金刚，我们就可以创造一些全新的东西，比如霍珀变形金刚引擎，并将其应用到未来。因此，我们同时拥有将软件引入用户群并不断改进的能力，随着时间的推移，我们的新软件不断丰富我们客户的用户群。另一方面，对于新技术，创造革命性的能力。如果在我们的下一代中，大型语言模型突然实现了惊人的突破，请不要感到惊讶，并且这些突破（其中一些突破将在软件中，因为它们运行 CUDA）将可供安装基础使用。因此，我们一方面带着每个人。另一方面，我们取得了巨大的突破。 Aaron Rakers 我想问一下中国业务。我知道，在您准备好的评论中，您说过您开始向中国运送一些替代解决方案。您还表示，您预计这一贡献将继续占整个数据中心业务的中个位数百分比。所以我想问题是你们今天向中国市场运送的产品有多大，为什么我们不应该期待其他替代解决方案进入市场并扩大你们的广度以再次参与这个机会？黄仁勋想一想，从本质上讲，记住美国政府希望将 NVIDIA 加速计算和 AI 的最新能力限制在中国市场。美国政府希望看到我们在中国尽可能取得成功。在这两个限制之内，如果你愿意的话，在这两个支柱之内，就是限制，所以当新的限制出现时，我们不得不暂停。我们立刻停了下来。为了了解限制是什么，我们以软件无法以任何方式破解的方式重新配置了我们的产品。这需要一些时间。所以我们重新调整了我们向中国提供的产品，现在我们正在向中国的客户提供样品。我们将尽最大努力在该市场中竞争，并在限制范围内取得成功。就是这样。上个季度，当我们在市场上暂停时，我们的业务大幅下降。我们停止在市场上发货。我们预计本季度的情况大致相同。但之后，希望我们能够去竞争我们的业务并尽力而为，我们会看看结果如何。 Harsh Kumar 嘿，黄仁勋、Colette 和 NVIDIA 团队。首先，祝贺您获得了令人惊叹的季度和指南。我想谈谈你们的软件业务，很高兴听到它超过 10 亿美元，但我希望黄仁勋或 Colette 能帮助我们了解该软件的不同部分和组成部分商业？换句话说，只需帮助我们稍微解开它，这样我们就可以更好地了解增长的来源。黄仁勋让我退后一步，解释一下NVIDIA在软件方面会非常成功的根本原因。首先，如您所知，加速计算确实在云中发展。在云中，云服务提供商拥有非常庞大的工程团队，我们与他们合作的方式允许他们运营和管理自己的业务。每当出现任何问题时，我们都会指派大型团队来处理。他们的工程团队直接与我们的工程团队合作，我们增强、修复、维护、修补加速计算所涉及的复杂软件堆栈。如您所知，加速计算与通用计算有很大不同。您不是从 C++ 等程序开始。你编译它，然后它就可以在你所有的 CPU 上运行。每个领域所需的软件堆栈，从数据处理 SQL 与 SQL 结构数据与所有非结构化的图像、文本和 PDF，到经典机器学习、计算机视觉、语音到大语言模型，所有这些——推荐系统。所有这些都需要不同的软件堆栈。这就是 NVIDIA 拥有数百个库的原因。如果没有软件，就无法打开新市场。如果您没有软件，则无法打开和启用新应用程序。软件对于加速计算至关重要。这是大多数人花了很长时间才理解的加速计算和通用计算之间的根本区别。现在，人们明白软件确实是关键。我们与 CSP 合作的方式非常简单。我们有大型团队正在与他们的大型团队合作。然而，现在生成式人工智能正在使每个企业和每个企业软件公司都能够拥抱加速计算——以及何时——拥抱加速计算现在至关重要，因为它不再可能，也不可能仅仅通过简单的方式来维持吞吐量的提高。通用计算。所有这些企业软件公司和企业公司都没有大型工程团队来维护和优化其软件堆栈以在全球所有云、私有云和本地运行。因此，我们将对他们的所有软件堆栈进行管理、优化、修补、调整和安装基础优化。我们将它们容器化到我们的堆栈中。我们将其称为 NVIDIA AI Enterprise。我们将 NVIDIA AI Enterprise 推向市场的方式是，将 NVIDIA AI Enterprise 视为一个像操作系统一样的运行时，它是一个人工智能操作系统。我们对每个 GPU 每年收取 4,500 美元的费用。我的猜测是，世界上每家企业、每家在所有云、私有云和本地部署软件的软件企业公司都将在 NVIDIA AI Enterprise 上运行，尤其是对于我们的 GPU 而言。因此，随着时间的推移，这可能会成为一项非常重要的业务。我们有了一个良好的开端。Colette 提到，它的运行速度已经达到 10 亿美元，而我们实际上才刚刚开始。谢谢。现在，我将把电话转回给首席执行官黄仁勋，让其致闭幕词。黄仁勋计算机行业正在同时进行两个同步平台转变。价值数万亿美元的数据中心安装基础正在从通用计算转向加速计算。每个数据中心都将得到加速，以便世界能够满足计算需求，增加吞吐量，同时管理成本和能源。NVIDIA 实现了令人难以置信的速度——NVIDIA 实现了一种全新的计算范式，即生成式 AI，软件可以学习、理解和生成从人类语言到生物结构和 3D 世界的任何信息。我们现在正处于一个新行业的开端，人工智能专用数据中心处理大量原始数据，将其提炼为数字智能。与上一次工业革命的交流发电厂一样，NVIDIA AI 超级计算机本质上也是本次工业革命的 AI 发电厂。每个行业的每家公司从根本上都是建立在其专有的商业智能之上，并且在未来，其专有的生成人工智能。生成式人工智能已经启动了一个全新的投资周期，以建设下一个万亿美元的人工智能生成工厂基础设施。我们相信，这两种趋势将推动全球数据中心基础设施安装基数在未来五年内翻一番，并代表每年数千亿的市场机会。这种新的人工智能基础设施将开辟一个今天不可能实现的全新应用世界。我们与超大规模云提供商和消费者互联网公司一起开启了人工智能之旅。现在，从汽车到医疗保健到金融服务，从工业到电信、媒体和娱乐，每个行业都参与其中。 NVIDIA 的全栈计算平台具有行业特定的应用程序框架以及庞大的开发者和合作伙伴生态系统，为我们提供了帮助每个公司的速度、规模和覆盖范围，帮助每个行业的公司成为人工智能公司。在下个月于圣何塞举行的 GTC 上，我们有很多东西要与您分享。所以一定要加入我们。我们期待向您通报下季度的最新进展。 (这份记录可能不是100％的准确率，并且可能包含拼写错误和其他不准确的。提供此记录，没有任何形式的明示或暗示的保证。表达的记录任何意见并不反映老虎的意见)

老虎证券2024-02-22

广汽埃安申请电动车辆剩余续航里程预测专利，提高了车辆剩余续航预测的准确性

规范化处理，得到目标样本集合；构建原始LSTM模型；通过灰狼优化算法、目标样本集合对原始LSTM模型进行训练得到训练好的剩余续航里程预测模型；获取目标车辆当前的行车过程数据；基于行车过程数据和行车过程数据进行剩余续航里程预测，得到预测结果；输出预测结果。可见，该方法及装置能够进行车辆实际续航因素分析，提高了车辆剩余续航预测的准确性。

金融界2024-02-12

中国电信取得流量预测专利，提高预测精度

，初始神经网络模型中包括长短期记忆网络LSTM，通过对流量时间序列进行异常检测以及异常修复，为后续的精准流量预测减少了冗余信息，提高预测精度。

金融界2024-02-06

24小时热点