[目录]（一）我国税收收入与GDP关系分析（二）以下是1989—2003年我国税收收入和国内生产总值的时间序列数据：（三）根据上述数据资料，我国税收收入（SSSR）随国内生产总值（GDP）变化的关系函（四）对该模型的检验（五）对我国税收收入未来3年的预测（六）总结[原文]（一）我国税收收入与GDP关系分析GDP是社会收入分配的对象，税收收入是国家参与社会收入分配的结果，进行社会收入分配就会存在具体分配方式的应用问题。
税收收入与GDP总量有相关性，但两者相关系数不能画等号。
税收收入快速增长，税收占GDP比重有明显提高。
　在既定的社会收入分配中，税收收入与GDP之间的比例关系由税收制度所确定。
GDP增长与税收收入增长之间存在着一定的内在关系。
在一定的社会收入条件下，税收收入与GDP的数量关系是在税收制度下构成。
当税收制度发生变动时，国家就会根据变动情况对税收收入与GDP的比例关系进行相应的调整。
我们在分析GDP与税收收入的关系时，不能仅仅考虑两者之间的数量关系，还需要考虑和研究影响两者之间数量关系的社会经济制度因素。
（二）以下是1989—2003年我国税收收入和国内生产总值的时间序列数据：（三）根据上述数据资料，我国税收收入（SSSR）随国内生产总值（GDP）变化的关系函数属于生产函数，现假设其一元线性回归模型为：SSSR=C+β*GDP用EVIEWS软件作出该模型的散点图如下：......

压缩包内含：基于LSTM的股票价格预测_数据+代码+报告，可以最为数据挖掘的大作业。
股票作为人民金融投资的普遍方式，如何在股票中赚钱成为股民的共同目标。
要想在股票买卖中赚钱便要掌握股票的走势，因此股票价格预测工作引起社会及学术界的广泛关注。
股票的走势随市场变动，而且受诸多因素影响，如国际环境，政策变化，行业发展，市场情绪等等，这使得股民很难预测股票的走势。
理论上，根据股票以往的价格走势，可以预测股票的未来走势。
因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络对股票进行预测。
虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。
Hochreiter和Schmidhuber提出的长短期记忆（LongShort-TermMemory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。
因此，本文基于LSTM实现一个股票价格预测模型。

该数据集为UCR_TS_Archive_2015，次要是为方便时间序列数据研究者使用。

金融时间序列的数据集，用于学习数据发掘数据分析.rar

经过标注的节假日数据库，含周别、能否是工作日（调休修正）、能否是节假日等，可以直接对时间序列数据进行打tag,进行节假日效应的研究

SVR时间序列预测，使用滑动窗口堆叠切片数据集，网格搜索+交叉验证用来模型参数设置，模型保存，模型加载,模型预测。

首先对时间序列数据进行EMD分解，然后对每个分量进行lstm建模，最初把各分量结果相加作为最终结果

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。