文件上传
支持 .csv, .xlsx, .json 格式。数据将完全在本地浏览器处理。
建议文件大小 < 50MB
数据概览
暂无数据显示部分数据
可视化分析 (EDA)
机器学习
当前演示：简单神经网络模型 (预测数值)
✅ 时序预测模式
模型使用 t 时刻的特征 预测 t+1 时刻的目标值。例如：用今天的开盘、最高、最低、成交量等特征，预测明天的收盘价。
这是严格的时序预测，避免了数据泄露问题。
⚠️ 时序数据处理规则
1. 标签移位：使用 t 时刻特征预测 t+1 时刻标签（真实未来预测）2. 滑动窗口（LSTM/CNN）：使用过去10期的数据作为输入 [batch, 10, features]
3. 时间顺序切分：训练集(最早) → 验证集(中间) → 测试集(最新)
4. 仅训练集打乱：训练集内部随机打乱，验证集和测试集保持时间顺序
5. 归一化基准：所有归一化参数仅从训练集计算，避免未来信息泄露
📊 模型选择建议
ANN/DNN：适合特征独立的数据，训练快速LSTM：适合时序数据，能捕捉长期依赖（需要10期以上历史数据）
CNN-LSTM：适合复杂时序模式，结合局部特征和长期依赖
✅ 稳健归一化策略（自动检测）
价格数据：自动使用Z-score标准化，避免非平稳性问题非价格数据：使用Min-Max归一化，保持数据分布
优势：Z-score对历史新高/新低具有鲁棒性，不会导致模型崩溃
🎯 Monte Carlo Dropout 置信度评估
技术：使用MC Dropout进行30次随机预测，计算统计量输出：预测均值、标准差、95%置信区间
优势：提供真正的概率置信度，而非启发式估计
解释：标准差越小，模型越确定；置信区间越窄，预测越可靠
模型配置
CNN-LSTM适合时序数据，需要较多特征和数据量。如遇到错误，建议先尝试LSTM模型。
按住 Ctrl/Cmd 可多选
训练参数
网络结构
早停策略
训练监控 (Loss)
模型评估与预测
训练尚未开始...
下一期预测（真实未来预测）
预测说明：使用当前最新一期的所有特征数据，预测下一期的目标值。
这是真正的未来预测，不存在数据泄露。
这是真正的未来预测，不存在数据泄露。
基于历史数据自动预测下一期值，无需手动输入特征
预测结果
点击上方按钮进行预测
趋势分析
预测完成后显示趋势分析