Improving forecasting by estimating time series structural components across multiple frequencies

شناسایی مناسب ترین مدل سری زمانی برای دستیابی به دقت پیش بینی خوب یک کار چالش برانگیز است. ما یک الگوریتم جدید ارائه می دهیم که هدف آن کاهش اهمیت انتخاب مدل و افزایش دقت است. سری زمانی چندگانه از سری زمانی اصلی ساخته شده است، با استفاده از تجمیع زمانی. این سری مشتقات، جنبه های مختلف داده های اصلی را برجسته می کند، زیرا تجمیع زمانی کمک می کند تا در تقویت و یا تضعیف سیگنال های مختلف اجزای سری زمانی. در هر سری، روش صحیح نشان دادن مناسب مناسب و اجزای سری زمانی آن پیش بینی می شود. پس از آن، اجزای سری زمانی از هر سطح تجمیع ترکیب می شوند، سپس برای ساختن پیش بینی نهایی استفاده می شود. این رویکرد برآورد بهتر از اجزای سری زمانی مختلف را از طریق تجمع زمانی به دست می آورد و اهمیت انتخاب مدل را از طریق ترکیب پیش بینی کاهش می دهد. ارزیابی تجربی از چارچوب پیشنهادی نشان دهنده بهبود چشمگیر در پیش بینی دقت، به ویژه برای پیش بینی های بلند مدت است.