Likewise, Choi et al. (2011) develo

Likewise, Choi et al. (2011) developed a hybrid forecasting scheme, which combines SARIMA model and wavelet transform (SW) and was shown to perform better than classical SARIMA model, classical seasonal decompositionþlinear extrapolation seasonal adjustment method (CSDþLESA) and evolutionary neural networks (ENN) based on forecast accuracy and computational time. Nie et al. (2011) introduced a hybrid model which integrates ARIMA with support vector machines (SVM) to forecast short-term load forecasting for energy management. Aye et al. (2015) compared 26 (23 individual and 3 combination) forecasting models using monthly aggregated retail sales in South Africa. They found that the combination forecasts offer ways of incorporating and discarding information from a larger number of forecasting models. Specifically, the discounted combination forecast model (DISC) outperforms all the individual models, and the other two combination forecast (simple mean and principal component) models. Pektaş and Kerem Cigizoglu (2013) proposed a hybrid ANNseasonal decomposition model to forecast monthly runoff coefficients to overcome the drawbacks of ARIMA, ARIMAX and ANN. Kriechbaumer et al. (2014) highlighted the use of combined wavelet-ARIMA approach for forecasting monthly prices of aluminum, copper, lead and zinc to improve the forecasting performance of individual models.

ผลลัพธ์ (ไทย) 1:

ทำนองเดียวกัน Choi et al. (2011) พัฒนาไฮบริดสลีการคาดการณ์โครงการ ซึ่งรวมทิพยรุ่นและเดียวแปลง (SW) และแสดงประสิทธิภาพมากกว่าแบบคลาสสิทิพย วิธีการปรับตามฤดูกาลคาดการณ์แบบคลาสสิกตามฤดูกาล decompositionþlinear (CSDþLESA) และวิวัฒนาการเครือข่ายประสาท (น้ำร้อนพุ) ตามความแม่นยำในการคาดการณ์และคำนวณเวลา เดินทาง Nie et al. (2011) นำรุ่นไฮบริดซึ่งรวมอาริมะกับสนับสนุนเครื่องเวกเตอร์ (SVM) ในการพยากรณ์โหลดระยะสั้นคาดการณ์ด้านการจัดการพลังงาน เอร้อยเอ็ด 26 เปรียบเทียบ (2015) (23 3 และแต่ละชุด) แบบรายเดือนรวมปลีกในแอฟริกาใต้ใช้การพยากรณ์ พวกเขาพบว่า การคาดการณ์รวมกันเสนอวิธีการผสมผสาน และละทิ้งข้อมูลจากจำนวนแบบการพยากรณ์ เฉพาะ รวมลดการคาดการณ์มีประสิทธิภาพสูงกว่ารุ่น (ดิสก์) แต่ละรุ่น และการผสมผสานสองการพยากรณ์ (ง่ายหมายถึงอะไรและส่วนประกอบหลัก) รุ่นอื่น ๆ Pektaş ทั้ง Cigizoglu (2013) การนำเสนอและแบบไฮบริ ANNseasonal แยกส่วนประกอบในการพยากรณ์รายเดือนไหลบ่าสัมประสิทธิ์เพื่อเอาชนะข้อเสียของอาริมะ ARIMAX และ ANN. Kriechbaumer et al. (2014) เน้นการใช้วิธีการรวมเดียว-ARIMA สำหรับการคาดการณ์ราคารายเดือนของอลูมิเนียม ทองแดง ตะกั่ว และสังกะสีเพื่อเพิ่มประสิทธิภาพการคาดการณ์ของแต่ละรุ่น

ผลลัพธ์ (ไทย) 2:

ในทำนองเดียวกัน Choi et al, (2011) พัฒนารูปแบบไฮบริดการคาดการณ์ที่ผสมผสานรูปแบบ SARIMA และแปลงเวฟเล็ต (SW) และได้แสดงให้เห็นว่าทำงานได้ดีขึ้นกว่ารุ่น SARIMA คลาสสิกคลาสสิกตามฤดูกาลdecompositionþlinearอนุมานวิธีการปรับตามฤดูกาล (CSDþLESA) และเครือข่ายประสาทวิวัฒนาการ (ENN) ตามการคาดการณ์ ความถูกต้องและเวลาในการคำนวณ Nie, et al (2011) เปิดตัวรุ่นไฮบริดซึ่งรวม ARIMA กับเครื่องเวกเตอร์สนับสนุน (SVM) ที่จะคาดการณ์การพยากรณ์โหลดระยะสั้นสำหรับการบริหารจัดการพลังงาน Aye et al, (2015) เมื่อเทียบกับ 26 (23 บุคคลและการรวมกัน 3) การคาดการณ์โดยใช้รุ่นยอดค้าปลีกรายเดือนที่รวบรวมได้ในแอฟริกาใต้ พวกเขาพบว่าการคาดการณ์การรวมกันเสนอวิธีของการผสมผสานและทิ้งข้อมูลจากเป็นจำนวนมากของรูปแบบการพยากรณ์ โดยเฉพาะรูปแบบการคาดการณ์การรวมกันลด (ซีดี) มีประสิทธิภาพดีกว่าทุกรุ่นของแต่ละบุคคลและอื่น ๆ การคาดการณ์การรวมกันสองคน (เฉลี่ยที่เรียบง่ายและองค์ประกอบหลัก) รุ่น Pektaşและ Kerem Cigizoglu (2013) ได้เสนอรูปแบบการสลายตัว ANNseasonal ไฮบริดที่จะคาดการณ์ค่าสัมประสิทธิ์การไหลบ่ารายเดือนที่จะเอาชนะข้อบกพร่องของ ARIMA, ARIMAX และแอน Kriechbaumer et al, (2014) ไฮไลต์ของการใช้วิธีการรวมเวฟ ARIMA สำหรับการคาดการณ์ราคารายเดือนอลูมิเนียมทองแดงตะกั่วและสังกะสีเพื่อปรับปรุงประสิทธิภาพการคาดการณ์ของแต่ละรุ่น

ผลลัพธ์ (ไทย) 3:

อนึ่ง ชอย et al . ( 2011 ) พัฒนารูปแบบการพยากรณ์ไฮบริดที่ผสมผสานรูปแบบและ sarima แปลงเวฟเล็ต ( SW ) และแสดงแสดงได้ดีกว่าแบบ sarima คลาสสิก คลาสสิกตามฤดูกาลการสลายตัวþเชิงเส้นวิธีการประมาณค่านอกช่วงปรับตามฤดูกาล ( CSD þศูนย์ ) และโครงข่ายประสาทเทียมวิวัฒนาการ ( รายย่อย ) บนพื้นฐานของความถูกต้องพยากรณ์และเวลาในการคำนวณ หนี่ et al . ( 2011 ) เปิดตัวแบบ ARIMA ไฮบริดซึ่งรวมกับเครื่องเวกเตอร์สนับสนุน ( SVM ) การคาดการณ์การพยากรณ์โหลดระยะสั้นสำหรับการจัดการพลังงาน ใช่ et al . ( 2015 ) เทียบ 26 ( 23 คนและ 3 รวมกัน ) ตัวแบบการพยากรณ์รายเดือน รวมการขายปลีกในแอฟริกาใต้ พวกเขาพบว่าการรวมกันยังเสนอวิธีการผสมผสานและละทิ้งข้อมูลจากตัวเลขขนาดใหญ่ของการพยากรณ์แบบ โดยเฉพาะ ลดการประมาณการแบบจำลอง ( ดิสก์ ) โปรยทั้งหมดแต่ละรุ่น และอีกสองคนรวมกันพยากรณ์ ( หมายถึงง่ายและส่วนประกอบหลัก ) รุ่น pekta เกิน และกรุณา cigizoglu ( 2013 ) เสนอ annseasonal การสลายตัวแบบไฮบริดพยากรณ์สัมประสิทธิ์น้ำท่ารายเดือนที่จะเอาชนะข้อเสียของการตลาดและ arimax , แอน kriechbaumer et al . ( 2014 ) เน้นการใช้รวมเทคนิควิธีการพยากรณ์พยากรณ์รายเดือนราคา อลูมิเนียม ทองแดง ตะกั่ว และสังกะสี เพื่อปรับปรุงประสิทธิภาพของการพยากรณ์รูปแบบของแต่ละบุคคล