Various time series models have bee

Various time series models have been proposed to find the inherent rules of the variation in the series. Many researchers have applied different time series models to forecasting the CPI and other time series data. For example, the ARIMA model once served as a practical method in predicting the CPI4. It was also applied to predict submicron particle concentrations frommeteorological factors at a busy roadside in Hangzhou, China5. What’s more, the ARIMA model was adopted to analyse the trend of pre-monsoon rainfall data forwestern India6. Besides the ARIMA model, other models such as the neural network, gray model are also widely used in the field of prediction. Hwang used the neural-network to forecast time series corresponding to ARMA (p, q) structures and found that the BPNNs generally perform well and consistently when a particular noise level is considered during the network training. Aiken also used a neural network to predict the level of CPI and reached a high degree of accuracy8 Apart from the neural network models, a seasonal discrete grey forecasting model for fashion retailing was proposed and was found practical for fashion retail sales forecasting with short historical data and better than other state-of-art forecastingtechniques9. Similarly, a discrete Grey Correlation Model was also used in CPI prediction10. Also, Ma et al. used gray model optimized by particle swarm optimization algorithm to forecast iron ore import and consumption of China11. Furthermore, to deal with the nonlinear condition, a modified Radial Basis Function (RBF) was proposed by researchers

ผลลัพธ์ (ไทย) 1:

ได้รับการเสนอแบบจำลองชุดเวลาต่าง ๆ เพื่อค้นหากฎโดยธรรมชาติของการเปลี่ยนแปลงในชุด นักวิจัยจำนวนมากได้ใช้แบบจำลองชุดแตกต่างกับการคาดการณ์ CPI และอื่น ๆ ข้อมูลอนุกรมเวลา ตัวอย่าง แบบอาบริการเป็นวิธีปฏิบัติในการทำนาย CPI4 มันยังใช้ทำนายระดับซับไมครอนอนุภาคความเข้มข้น frommeteorological ปัจจัยที่ริมถนนที่ว่างในหางโจว China5 แก่ แบบอาถูกนำมาใช้เพื่อวิเคราะห์แนวโน้มของปริมาณน้ำฝนมรสุมก่อนข้อมูล forwestern India6 นอกจากรุ่นอา รูปแบบอื่น ๆ เช่นแบบโครงข่ายประสาท สีเทายังใช้ในการคาดเดา Hwang ใช้ประสาทเครือข่ายเพื่อการคาดการณ์เวลาชุดที่สอดคล้องกับโครงสร้างของอาร์มา (p, q) และพบว่า BPNNs โดยทั่วไปทำดี และอย่างต่อเนื่องเมื่อระดับเสียงเฉพาะถือในระหว่างฝึกอบรมเครือข่าย Aiken ยังใช้เครือข่ายประสาทเพื่อทำนายระดับของ CPI และถึงระดับสูงของ accuracy8 นอกจากแบบจำลองโครงข่ายประสาท เทาแยกกันตามฤดูกาลการคาดการณ์ที่แบบจำลองสำหรับค้าปลีกแฟชั่นถูกเสนอ และพบทางปฏิบัติสำหรับแฟชั่นขายปลีกขายคาดการณ์ ด้วยข้อมูลประวัติโดยย่อ และดีกว่า forecastingtechniques9 รัฐของศิลปะอื่น ๆ ในทำนองเดียวกัน แบบจำลองความสัมพันธ์ของสีเทาเดี่ยว ๆ ยังใช้ใน CPI prediction10 ยัง Ma et al. ใช้รุ่นสีเทาที่สุดอนุภาคฝูงปรับอัลกอริทึมเพื่อคาดการณ์การนำเข้าแร่เหล็กและปริมาณการใช้ China11 นอกจากนี้ เพื่อจัดการกับเงื่อนไขไม่เชิงเส้น การปรับเปลี่ยนรัศมีพื้นฐานฟังก์ชัน (RBF) ถูกเสนอ โดยนักวิจัย

ผลลัพธ์ (ไทย) 2:

เวลาต่างๆรุ่นซีรีส์ได้รับการเสนอที่จะหากฎโดยธรรมชาติของการเปลี่ยนแปลงในซีรีส์ นักวิจัยหลายคนได้ใช้เวลาชุดรูปแบบที่แตกต่างกันในการคาดการณ์ดัชนีราคาผู้บริโภคและข้อมูลอนุกรมเวลาอื่น ตัวอย่างเช่นรูปแบบ ARIMA ครั้งหนึ่งเคยเป็นวิธีการปฏิบัติในการทำนาย CPI4 มันถูกนำไปประยุกต์ใช้ในการทำนายความเข้มข้นของอนุภาค Submicron ปัจจัย frommeteorological ที่ริมถนนที่วุ่นวายในหางโจว China5 มีอะไรเพิ่มเติมรูปแบบ ARIMA ถูกนำมาใช้ในการวิเคราะห์แนวโน้มของข้อมูลปริมาณน้ำฝนก่อนฤดูมรสุม forwestern India6 นอกจากนี้รูปแบบ ARIMA รูปแบบอื่น ๆ เช่นเครือข่ายประสาทแบบสีเทายังมีการใช้กันอย่างแพร่หลายในด้านของการทำนาย Hwang ใช้ประสาทเครือข่ายที่จะคาดการณ์อนุกรมเวลาที่สอดคล้องกับ ARMA (P, Q) โครงสร้างและพบว่า BPNNs ทั่วไปทำงานได้ดีและสม่ำเสมอเมื่อระดับเสียงโดยเฉพาะอย่างยิ่งคือการพิจารณาในระหว่างการฝึกอบรมเครือข่าย ไอเก็นยังใช้โครงข่ายประสาทเทียมในการทำนายระดับของดัชนีราคาผู้บริโภคและถึงระดับสูงของ accuracy8 นอกเหนือจากรูปแบบเครือข่ายประสาทตามฤดูกาลพยากรณ์สีเทาที่ไม่ต่อเนื่องสำหรับการค้าปลีกแฟชั่นที่เสนอและถูกพบในทางปฏิบัติสำหรับแฟชั่นการพยากรณ์การขายค้าปลีกที่มีข้อมูลทางประวัติศาสตร์สั้น และดีกว่าที่ forecastingtechniques9 รัฐของศิลปะอื่น ๆ ในทำนองเดียวกันความสัมพันธ์ต่อเนื่องรุ่นสีเทายังถูกนำมาใช้ในการคำนวณดัชนี CPI prediction10 นอกจากนี้แม่และคณะ รูปแบบการใช้สีเทาเพิ่มประสิทธิภาพโดยวิธีการเพิ่มประสิทธิภาพของอนุภาคฝูงที่จะคาดการณ์การนำเข้าแร่เหล็กและการบริโภคของ China11 นอกจากนี้ในการจัดการกับสภาพที่ไม่เป็นเชิงเส้น, ฟังก์ชั่นการปรับเปลี่ยนเกณฑ์ Radial (RBF) ถูกเสนอโดยนักวิจัย

ผลลัพธ์ (ไทย) 3:

แบบจำลองอนุกรมเวลาต่าง ๆ ได้ถูกเสนอขึ้นมา เพื่อค้นหากฎที่แท้จริงของการเปลี่ยนแปลงในชุด นักวิจัยหลายคนได้ใช้แบบจำลองอนุกรมเวลาที่แตกต่างกันการคาดการณ์ CPI และข้อมูลอนุกรมเวลาอื่น ๆ ตัวอย่างเช่นรูปแบบ ARIMA เมื่อทำหน้าที่เป็นวิธีการปฏิบัติในการประมาณการ cpi4 .มันยังใช้เพื่อทำนายความเข้มข้นของอนุภาค frommeteorological เปลี่ยนแปลงปัจจัยที่ร้านยุ่งในหางโจว , ประเทศจีน 5 . มากขึ้นอะไร , โมเดลอริมาใช้เพื่อวิเคราะห์แนวโน้มของ india6 forwestern ก่อนมรสุมฝนข้อมูล นอกจากนี้แบบจำลอง ARIMA รูปแบบอื่น เช่น โครงข่ายประสาทเทียมแบบสีเทา นอกจากนี้ยังมีใช้กันอย่างแพร่หลายในด้านพยากรณ์ฮวางใช้โครงข่ายประสาทเทียมเพื่อการพยากรณ์อนุกรมเวลาที่อาม่า ( p , q ) โครงสร้างและพบว่าโดยทั่วไป bpnns ได้ดีอย่างต่อเนื่องเมื่อระดับเสียง โดยเฉพาะการพิจารณาในระหว่างการฝึกอบรมเครือข่าย ไอเคนยังใช้เครือข่ายประสาทเพื่อทำนายระดับ CPI และถึงระดับสูงของ accuracy8 นอกเหนือจากแบบจำลองโครงข่ายประสาทเทียม ,ฤดูกาลต่อเนื่องสีเทารูปแบบการพยากรณ์แฟชั่นค้าปลีกที่เสนอ และก็พบว่าในทางปฏิบัติสำหรับแฟชั่นขายปลีกขายการพยากรณ์ด้วยข้อมูลทางประวัติศาสตร์สั้นกว่ารัฐอื่น ๆของ forecastingtechniques9 ศิลปะ ในทำนองเดียวกันรูปแบบความสัมพันธ์สีเทาไม่ต่อเนื่อง ก็ใช้ใน CPI prediction10 . ยังมะ et al .ใช้รุ่นสีเทาเหมาะโดยฝูงอนุภาคขั้นตอนวิธีการหาค่าพยากรณ์แร่เหล็กนำเข้าและการบริโภคของ china11 . นอกจากนี้ เพื่อรับมือกับภาวะเชิงเส้น การแก้ไขฟังก์ชั่นพื้นฐานรัศมี ( RBF ) ถูกเสนอโดยนักวิจัย