where xt is the measured value for

where xt is the measured value for the tth samples, xˆt is the model predicted response values for the tth sample, and N is
the number of verification samples, respectively.
According to Eq. (7), we obtain the SSE’s and MSE’s of 8 combination forecasting models and 2 individual forecasting
models in Table 2, respectively. It is evident to see that the weighted coefficient vector ω = [0.3406, 0.6594] is the optimal
one. Therefore, in this example, the combined forecasting model based on the criterion of minimizing the sum of absolute
error (MSAE) performs the best

ผลลัพธ์ (ไทย) 1:

xt เป็นค่าที่วัดได้สำหรับตัวอย่าง tth, xˆt เป็นแบบจำลองการคาดการณ์ค่าการตอบสนองสำหรับตัวอย่าง tth และ N คือจำนวนของการตรวจสอบตัวอย่าง ตามลำดับตาม Eq. (7), เราได้รับของ SSE และ MSE ของแบบจำลองการคาดการณ์รวม 8 และ 2 แต่ละการคาดการณ์รูปแบบตารางที่ 2 ตามลำดับ จะเห็นว่าωเวกเตอร์การสัมประสิทธิ์ถ่วงน้ำหนัก = [0.3406, 0.6594] เป็นที่เหมาะสมหนึ่ง ดังนั้น ในตัวอย่างนี้ โมเดลการคาดการณ์รวมตามเกณฑ์ของการลดจำนวนสัมบูรณ์ข้อผิดพลาด (MSAE) ทำดีสุด

ผลลัพธ์ (ไทย) 2:

ที่ XT เป็นค่าที่วัดได้สำหรับตัวอย่าง TTH ที่ XT เป็นรูปแบบที่คาดการณ์ค่าการตอบสนองสำหรับตัวอย่าง TTH และ N คือ
จำนวนตัวอย่างการตรวจสอบตามลำดับ.
ตามที่สม (7) เราได้รับของ SSE และ MSE ของ 8 แบบจำลองการคาดการณ์และการคาดการณ์การรวมกันของแต่ละบุคคล 2
รุ่นในตารางที่ 2 ตามลำดับ เห็นได้ชัดที่จะเห็นว่าค่าสัมประสิทธิ์ถ่วงน้ำหนักเวกเตอร์ω = [0.3406, 0.6594] เป็นที่ดีที่สุด
คนหนึ่ง ดังนั้นในตัวอย่างนี้รูปแบบการคาดการณ์รวมตามเกณฑ์ของการลดผลรวมของแน่นอนที่
ผิดพลาด (MSAE) ทำงานได้ดีที่สุด

ผลลัพธ์ (ไทย) 3:

ที่ต่อไปคือวัดค่า tth ตัวอย่าง x ˆ T เป็นแบบจำลองทำนายค่าการตอบสนองสำหรับ tth ตัวอย่าง , และ n คือจำนวนตัวอย่างที่ตรวจสอบตามลำดับตามอีคิว ( 7 ) เราได้รับ SSE และ MSE เป็น 8 ตัวแบบการพยากรณ์และการรวมกัน 2 บุคคลรูปแบบตารางที่ 2 ตามลำดับ จะเห็นได้ว่าน้ำหนักแบบเวกเตอร์ω = [ 0.3406 0.6594 ] , ที่เหมาะสมหนึ่ง ดังนั้นในตัวอย่างนี้ใช้รูปแบบการพยากรณ์ตามเกณฑ์ของการลดผลรวมของสัมบูรณ์ข้อผิดพลาด ( msae ) มีประสิทธิภาพดีที่สุด