STL map内map

#include "stdafx.h"
#include <string>
#include <iostream>
#include <map>
#include <list>
using namespace std;
 
#if defined (_MSC_VER)
#pragma warning(disable: 4786)
#endif
struct Node
{
         int m_id;
         stringm_str;
         bool operator<(Node const& _A) const
         {
                   //排序策略,首先按m_id排序,m_id相等则按m_str排序
                   return m_id < _A.m_id ? true:(m_id>_A.m_id ? false : m_str.compare(_A.m_str)<0);
         }
         Node(int id,stringstr)
         {
                   m_id=id;
                   m_str=str;
         }
         Node(){}
};
int main(int argc, char* argv[])
{
         map<int,Node> mapNode,mapNode2;
         typedef pair<int,Node> Painr1;
         mapNode.insert(Painr1(1,Node(1,"str1")));
         mapNode2.insert(Painr1(1,Node(1,"str2")));
 
         map< int, map<int,Node>* >mapList;
         typedef pair< int, map<int,Node> *> Painr2;
         mapList.insert(Painr2(1,&mapNode));
         mapList.insert(Painr2(2,&mapNode2));
 
         map< int, map<int,Node>* >::iterator itemFirst;
         map< int, Node>* pNode=NULL;//应该为指针不是迭代器
         map< int, Node>::iterator itemSecond;
 
         for(itemFirst=mapList.begin();itemFirst!=mapList.end();++itemFirst)//第一层
         {
                   pNode=itemFirst->second;
                   for (itemSecond=pNode->begin();itemSecond!=pNode->end();++itemSecond)//第二层
                   {
                            cout<<itemSecond->first<<endl;
                            cout<<itemSecond->second.m_str<<endl;
                   }
         }
         return 0;
}
 
 
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值