1.输入数据为83 * 30的数组，输出数据为结果概率。2.输入数据为83列特征，30天时间序列数据。3.已知输入输出数据，利用时间序列预测的算法建立预测模型。结合上述3点，输出python相关程序代码

好的，以下是结合上述三点的Python程序代码：

1. 对于输入数据为83 * 30的数组，输出数据为结果概率的问题，可以使用逻辑回归模型进行训练和预测。代码如下：

from sklearn.linear_model import LogisticRegression

# X为输入数据，y为输出数据
X = ...
y = ...

# 创建逻辑回归模型并进行训练
model = LogisticRegression()
model.fit(X, y)

# 对新数据进行预测
new_data = ...
result_prob = model.predict_proba(new_data)

2. 对于输入数据为83列特征，30天时间序列数据的问题，可以使用LSTM模型进行训练和预测。代码如下：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# X为输入数据，y为输出数据
X = ...
y = ...

# 对数据进行归一化处理
X = (X - np.mean(X)) / np.std(X)
y = (y - np.mean(y)) / np.std(y)

# 将数据转换为LSTM需要的格式
X = np.reshape(X, (X.shape[0], X.shape[1], 1))
y = np.reshape(y, (y.shape[0], 1))

# 创建LSTM模型并进行训练
model = Sequential()
model.add(LSTM(64, input_shape=(X.shape[1], X.shape[2]), return_sequences=True))
model.add(LSTM(32))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=100, batch_size=32)

# 对新数据进行预测
new_data = ...
new_data = (new_data - np.mean(new_data)) / np.std(new_data)
new_data = np.reshape(new_data, (1, new_data.shape[0], 1))
result = model.predict(new_data)

3. 对于已知输入输出数据，利用时间序列预测的算法建立预测模型的问题，可以使用ARIMA模型进行建模和预测。代码如下：

import pandas as pd
import numpy as np
import statsmodels.api as sm

# 输入输出数据
data = ...
X = data[:, :-1]
y = data[:, -1]

# 将数据转换为时间序列格式
X = pd.DataFrame(X)
y = pd.Series(y)

# 对数据进行拟合和预测
model = sm.tsa.ARIMA(y, order=(1, 1, 0), exog=X)
result = model.fit(disp=False)
new_data = ...
new_data = pd.DataFrame(new_data)
pred = result.predict(start=len(y), end=len(y)+len(new_data)-1, exog=new_data)

# 输出预测结果
print(pred)

以上三个代码示例分别针对了给出的三个问题，可以根据实际情况进行修改和调整。