کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946718 1439415 2017 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A perturbative approach for enhancing the performance of time series forecasting
ترجمه فارسی عنوان
یک رویکرد مبهم برای افزایش کارایی پیش بینی های سری زمانی
کلمات کلیدی
تئوری اختلال، پیش بینی سری زمانی، ترکیبی از پیش بینی ها، شبکه های عصبی مصنوعی،
ترجمه چکیده
این مقاله روش پیشنهادی سری زمانی بر اساس نظریه ناهمگونی را پیشنهاد می دهد. این رویکرد مبتنی بر مدلی است که یک مدل پیش بینی اولیه را برای تعدیل یک مدل سری زمانی دلخواه تقریبا یکسان تنظیم می کند. اول، یک مدل پیش بینی یک پیش بینی اولیه برای یک سری زمانی تولید می کند. دوم، یک سری زمانی باقی مانده به عنوان تفاوت بین سری زمانی اصلی و پیش بینی اولیه محاسبه می شود. اگر این سری باقی مانده صدای سفید نباشد، می توان آن را برای بهبود دقت مدل اولیه استفاده کرد و یک مدل پیش بینی جدید با استفاده از سری های باقی مانده تنظیم می شود. کل فرایند تا زمانی که همگرایی اتفاق می افتد، تکرار می شود و یا سری باقی مانده صدای سفید می شود. خروجی روش سپس با جمعآوری خروجی تمام مدلهای پیش بینی شده آموزش دیده در معنای مبهم است. برای آزمایش روش، یک تحقیق تجربی روی شش سری زمانی واقعی جهان انجام شد. مقایسه با شش روش دیگر انجام شده و 10 مورد دیگر در ادبیات نشان داده شده است. نتایج نشان می دهد که نه تنها عملکرد مدل اولیه به طور قابل توجهی بهبود یافته است، بلکه روش پیشنهادی از سایر نتایج قبلا منتشر شده نیز بهتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک رویکرد مبهم برای افزایش کارایی پیش بینی های سری زمانی
چکیده انگلیسی
This paper proposes a method to perform time series prediction based on perturbation theory. The approach is based on continuously adjusting an initial forecasting model to asymptotically approximate a desired time series model. First, a predictive model generates an initial forecasting for a time series. Second, a residual time series is calculated as the difference between the original time series and the initial forecasting. If that residual series is not white noise, then it can be used to improve the accuracy of the initial model and a new predictive model is adjusted using residual series. The whole process is repeated until convergence or the residual series becomes white noise. The output of the method is then given by summing up the outputs of all trained predictive models in a perturbative sense. To test the method, an experimental investigation was conducted on six real world time series. A comparison was made with six other methods experimented and ten other results found in the literature. Results show that not only the performance of the initial model is significantly improved but also the proposed method outperforms the other results previously published.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 88, April 2017, Pages 114-124
نویسندگان
, , , , ,