These activity traces are embedded

These activity traces are embedded in search queries [36,50–
76], social media messages [77–92], and web server access logs
[34,72,93]. At a basic level, traces are extracted by counting query
strings, words or phrases, or web page URLs that are related to the
metric of interest, forming a time series of occurrences for each
item. A statistical model is then created that maps these input time
series to a time series estimating the metric’s changing value. This
model is trained on time period(s) when both the internet data and
the true metric values are available and then applied to estimate
the metric value over time period(s) when it is not available, i.e.,
forecasting the future, nowcasting the present, and anti-forecasting
the past (the latter two being useful in cases where true metric
availability lags real time).

ผลลัพธ์ (ไทย) 1:

ร่องรอยกิจกรรมเหล่านี้ถูกฝังอยู่ในการสอบถามค้นหา [36,50-76], เข้าถึงบันทึกข้อความสื่อทางสังคม [77-92], และเว็บเซิร์ฟเวอร์[34,72,93] ในระดับพื้นฐาน ร่องรอยที่สกัด โดยการนับแบบสอบถามสาย คำ หรือวลี หรือ Url หน้าเว็บที่เกี่ยวข้องกับการวัดที่น่าสนใจ ขึ้นรูปชุดเวลาเกิดขึ้นสำหรับแต่ละสินค้า แล้วสร้างแบบจำลองทางสถิติว่า แผนที่เหล่านี้ป้อนเวลาชุดลำดับเวลาที่ประเมินการวัดของการเปลี่ยนแปลงค่า นี้รูปแบบคือการฝึกอบรมในเวลาช่วงเวลาเมื่อข้อมูลทั้งอินเตอร์เน็ต และมีค่าวัดจริง และนำไปใช้ในการประเมินค่าการวัดช่วงเวลาช่วงเวลาเมื่อไม่มี เช่นคาดการณ์ nowcasting ในอนาคต ปัจจุบัน การคาดการณ์ต่อต้านผ่านมา (สองหลังที่มีประโยชน์ในกรณีที่จริงวัดพร้อม lags เวลาจริง)

ผลลัพธ์ (ไทย) 2:

เหล่านี้ร่องรอยของกิจกรรมที่ฝังอยู่ในคำค้นหาที่ [36,50-
76] ข้อความสื่อสังคม [77-92] และบันทึกการเข้าถึงเว็บเซิร์ฟเวอร์
[34,72,93] ในระดับพื้นฐานร่องรอยถูกสกัดโดยการนับแบบสอบถาม
สตริงคำหรือวลีหรือ URL ของหน้าเว็บที่เกี่ยวข้องกับ
ตัวชี้วัดที่น่าสนใจรูปอนุกรมเวลาของการเกิดขึ้นสำหรับแต่ละ
รายการ แบบจำลองทางสถิติจะถูกสร้างขึ้นแล้วที่แมใส่เวลาเหล่านี้
ชุดอนุกรมเวลาประมาณมูลค่าที่เปลี่ยนแปลงตัวชี้วัดของ นี้
รูปแบบการฝึกอบรมในช่วงเวลา (s) เมื่อทั้งสองข้อมูลอินเทอร์เน็ตและ
ค่าตัวชี้วัดที่แท้จริงที่มีอยู่และนำไปประยุกต์ใช้แล้วประเมิน
ค่าตัวชี้วัดในช่วงเวลา (s) เมื่อมันไม่สามารถใช้ได้เช่น
การคาดการณ์อนาคต Nowcasting ปัจจุบันและป้องกันการคาดการณ์
ที่ผ่านมา (หลังสองเป็นประโยชน์ในกรณีที่ตัวชี้วัดที่แท้จริง
ว่างล่าช้าเรียลไทม์)

ผลลัพธ์ (ไทย) 3:

ร่องรอยของกิจกรรมเหล่านี้จะฝังตัวอยู่ในการค้นหา 36,50 –
[ 76 ] , สังคมสื่อข้อความ [ 77 ] – 92 และเว็บเซิร์ฟเวอร์การเข้าถึงบันทึก
[ 34,72,93 ] ในระดับพื้นฐาน ร่องรอยถูกสกัดโดยนับสตริงแบบสอบถาม
, คำหรือวลี หรือหน้าเว็บที่ URL ที่เกี่ยวข้องกับ
เมตริกของดอกเบี้ย เป็นอนุกรมเวลาของเหตุการณ์แต่ละ
รายการ แบบจำลองทางสถิติแล้วสร้างแผนที่เหล่านี้ใส่เวลา
ชุดเวลาการเปลี่ยนแปลงของชุดวัดค่า รุ่นนี้
ผ่านการอบรมเกี่ยวกับระยะเวลา ( s ) เมื่อทั้งสองข้อมูลอินเทอร์เน็ตและ
จริงที่มีอยู่และใช้วัดค่าแล้วคำนวณค่าวัดรอบระยะเวลา
( s ) เมื่อมันไม่สามารถใช้ได้ เช่น
พยากรณ์อนาคต nowcasting ปัจจุบันและการพยากรณ์
ต่อต้านอดีต ( สองอย่างหลังเป็นประโยชน์ในกรณีที่ห้องพักระบบเมตริก
จริงล่าช้าเวลาจริง )