Operations and other business decis

Operations and other business decisions often depend on accurate time-serie
Forecasts These time series usually consist of trend-cycle, seasonal, and irregular components. Existing methodologies attempt to first identify and then extrapolate
these components to produce forecasts. The proposed process partners this decomposition procedure with neural network methodologies to combine the strengths of economics, statistics, and machine learning research. Stacked
generalization first uses transformations and decomposition to pre-process a time series. Then a time-delay neural network receives the resulting components as inputs. The outputs of this neural network are then input to a backpropagation algorithm that synthesizes the processed components into a single forecast. Genetic algorithms guide the architecture selection for both the time-delay and backpropagation neural networks The empirical examples used in
this study reveal that the combination of transformation feature extraction and neural networks throughs tacked generalization gives more accurate forecasts than classical decomposition or ARIMA models. Scope and Purpose. The research
reported in this paper examines two concurrent issues. The first evaluates the
performance of neural networks in forecasting time series. The second assesses the use of stacked generalization as a way of refining this process. The methodology is applied to four economic and business time series. Those studying time
series and neural networks ,particulary in terms of combining tools from the
statistical community with neural network technology will find this paper relevant

ผลลัพธ์ (ไทย) 1:

การดำเนินงานและตัดสินใจทางธุรกิจอื่น ๆ มักจะขึ้นอยู่กับสูตรเวลาถูกต้อง คาดการณ์เวลาชุดเหล่านี้มักจะประกอบด้วยประกอบวงจรแนวโน้ม ฤดูกาล และไม่สม่ำเสมอ หลักสูตรที่มีอยู่พยายามระบุก่อน แล้ว extrapolateส่วนประกอบเหล่านี้ในการคาดการณ์ผลิต การนำเสนอพันธมิตรตอนนี้แยกส่วนประกอบ ด้วยโครงข่ายประสาทวิธีการรวมจุดแข็งของเศรษฐศาสตร์ สถิติ และเครื่องเรียนรู้การวิจัย แบบกองซ้อนgeneralization ก่อนใช้แปลงและแยกส่วนประกอบชุดเวลาประมวลผลล่วงหน้า แล้ว เครือข่ายประสาทหน่วงเวลาได้รับส่วนประกอบได้เป็นอินพุต แสดงผลของเครือข่ายประสาทนี้อยู่แล้วเข้าอัลกอริทึม backpropagation ที่ synthesizes ส่วนประมวลผลเป็นการคาดการณ์เดียว สถาปัตยกรรมการหน่วงเวลาและ backpropagation ประสาทเครือข่ายตัวอย่างรวมที่ใช้ในการแนะนำอัลกอริทึมทางพันธุกรรมการศึกษานี้เปิดเผยว่า ชุดสกัดคุณลักษณะการแปลงและ generalization throughs tacked เครือข่ายประสาทช่วยให้คาดการณ์แม่นยำยิ่งกว่าการแยกส่วนประกอบคลาสสิกหรือรุ่นอา ขอบเขตและวัตถุประสงค์ การวิจัย รายงานในกระดาษตรวจสอบปัญหาที่เกิดขึ้นพร้อมกัน 2 ประเมินครั้งแรกประสิทธิภาพของเครือข่ายประสาทในการคาดการณ์เวลาชุด ที่สองประเมินใช้ generalization ซ้อนการปรับกระบวนการนี้ วิธีจะใช้กับสี่เศรษฐกิจและธุรกิจเวลาชุด ผู้เรียนเวลาseries and neural networks ,particulary in terms of combining tools from the statistical community with neural network technology will find this paper relevant

ผลลัพธ์ (ไทย) 2:

การดำเนินงานและการตัดสินใจทางธุรกิจอื่น ๆ มักจะขึ้นอยู่กับความถูกต้องเวลา-serie
คาดการณ์อนุกรมเวลาเหล่านี้มักจะประกอบด้วยแนวโน้มวงจรตามฤดูกาลและส่วนประกอบที่ผิดปกติ
วิธีการที่มีอยู่พยายามที่จะระบุเป็นครั้งแรกและจากนั้นคาดการณ์องค์ประกอบเหล่านี้ในการผลิตการคาดการณ์ พันธมิตรที่นำเสนอกระบวนการขั้นตอนการสลายตัวนี้กับวิธีเครือข่ายประสาทที่จะรวมจุดแข็งของเศรษฐศาสตร์สถิติและการวิจัยการเรียนรู้เครื่อง
ซ้อนกันทั่วไปครั้งแรกที่ใช้การเปลี่ยนแปลงและการสลายตัวในการดำเนินการก่อนอนุกรมเวลา จากนั้นเวลาที่ล่าช้าเครือข่ายประสาทได้รับชิ้นส่วนที่เกิดขึ้นเป็นปัจจัยการผลิต แสดงผลของเครือข่ายประสาทนี้แล้วป้อนข้อมูลไปยังขั้นตอนวิธีการแพร่กระจายย้อนกลับที่สังเคราะห์ส่วนประกอบการประมวลผลเป็นที่คาดการณ์เดียว ขั้นตอนวิธีทางพันธุกรรมเป็นแนวทางในการเลือกสถาปัตยกรรมทั้งเวลาและความล่าช้า backpropagation
เครือข่ายประสาทตัวอย่างเชิงประจักษ์ที่ใช้ในการศึกษาครั้งนี้แสดงให้เห็นว่าการรวมกันของการดึงการเปลี่ยนแปลงและเครือข่ายประสาทthroughs ติดทั่วไปจะช่วยให้การคาดการณ์ที่ถูกต้องมากขึ้นกว่าการสลายตัวคลาสสิกหรือรูปแบบ ARIMA ขอบเขตและวัตถุประสงค์
การวิจัยรายงานในบทความนี้จะตรวจสอบพร้อมกันสองประเด็น
ครั้งแรกที่ประเมินประสิทธิภาพการทำงานของเครือข่ายประสาทในการพยากรณ์อนุกรมเวลา ประการที่สองการประเมินการใช้ทั่วไปซ้อนกันเป็นวิธีการปรับแต่งขั้นตอนนี้ได้ วิธีการที่จะนำไปใช้สี่เศรษฐกิจและธุรกิจอนุกรมเวลา ผู้ที่เวลาศึกษาชุดและเครือข่ายประสาทโดยเฉพาะในแง่ของการรวมเครื่องมือจากชุมชนทางสถิติด้วยเทคโนโลยีเครือข่ายประสาทจะพบบทความนี้ที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 3:

การดำเนินงานและการตัดสินใจทางธุรกิจอื่น ๆมักจะขึ้นอยู่กับความถูกต้องเวลากัลโช่
คาดการณ์เหล่านี้เวลาชุดมักจะประกอบด้วยแนวโน้มวัฏจักรตามฤดูกาล และส่วนประกอบ ผิดปกติ วิธีการที่มีอยู่พยายามแรกระบุและคาดการณ์
ส่วนประกอบเหล่านี้จะสร้างการคาดการณ์ .เสนอการย่อยสลายด้วยวิธีนี้ขั้นตอนกระบวนการพันธมิตรเครือข่ายประสาทเพื่อรวมจุดแข็งของเศรษฐศาสตร์ , สถิติ , และวิจัยเครื่องเรียน ซ้อน
การแรกใช้กระบวนการแปลงและการสลายตัวของอนุกรมเวลาก่อน แล้วเวลาเครือข่ายประสาทได้รับผลส่วนประกอบที่เป็นปัจจัยการผลิตผลของโครงข่ายนี้จะใส่เป็นแบบวิธีที่สังเคราะห์แปรรูปชิ้นส่วนเป็นพยากรณ์เดี่ยว ขั้นตอนวิธีเชิงพันธุกรรมคู่มือการสถาปัตยกรรมทั้งแบบเครือข่ายและเวลาที่ใช้ในระบบประสาท
ตัวอย่างเชิงประจักษ์การศึกษานี้พบว่า การรวมกันของการเปลี่ยนแปลงคุณลักษณะการสกัดและเครือข่ายประสาท throughs tacked การให้ถูกต้องมากขึ้นกว่ารุ่นคลาสสิกจากการย่อยสลายตัว . ขอบเขตและเป้าหมาย วิจัย
รายงานในกระดาษนี้ตรวจสอบ 2 เรื่องพร้อมกัน แรกประเมินสมรรถนะของโครงข่ายประสาทเทียม
ในการพยากรณ์อนุกรมเวลา2 ประเมินการใช้กันทั่วไปเป็นวิธีการกลั่น กระบวนการนี้ วิธีการที่ใช้กับสี่ธุรกิจเศรษฐกิจและอนุกรมเวลา ผู้ที่ศึกษา อนุกรมเวลา
และเครือข่ายประสาท เสียในแง่ของการรวมเครื่องมือจาก
ชุมชนสถิติด้วยเทคโนโลยีเครือข่ายประสาทจะพบกระดาษที่เกี่ยวข้อง