Operationasn do therb usinessd ecis

Operationasn do therb usinessd ecisionso ftend ependo n accurateti me-seriefso recastsT. heset imes eriesu suallyc onsist 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 architectursee lectionfo r botht het ime-delaayn db ackpropagationne uranl etworksT. hee mpiricaelx ampleus sedi n
this studyr evealt hat the combinationo f transformationfe, aturee xtractiona, nd neuraln etworkst hroughs tacked generalizatiogni vesm orea ccuratefo recastst hanc lassicadl ecompositioonr ARIMAm odels. Scopea ndP urpose. The researchr eportedin this papere xaminest wo concurrenits sues.T he firste valuatest he
performance of neural networks in forecasting time series. The second assesses the use of stacked generalization as a way of refiningth is process.T he methodologyis appliedt o foure conomica nd businesst imes eries.T hoses tudyingt ime
seriesa ndn euranl etworksp, articularliyn termso f combiningto olsf romt hes tatisticaclo mmunitwy ithn euranl etwork technologyw, ill findt his paperr elevant.
Journal of the Operational Research Society (2003) 54, 307-317. doi:

ผลลัพธ์ (ไทย) 2:

Operationasn ทำ therb usinessd ecisionso ftend ependo n accurateti ฉัน seriefso recastsT heset imes eriesu suallyc onsist ของแนวโน้มวงจรตามฤดูกาลและส่วนประกอบที่ผิดปกติ
วิธีการที่มีอยู่พยายามที่จะระบุเป็นครั้งแรกและจากนั้นคาดการณ์องค์ประกอบเหล่านี้ในการผลิตการคาดการณ์ พันธมิตรที่นำเสนอกระบวนการขั้นตอนการสลายตัวนี้กับวิธีเครือข่ายประสาทที่จะรวมจุดแข็งของเศรษฐศาสตร์สถิติและการวิจัยการเรียนรู้เครื่อง
ซ้อนกันทั่วไปครั้งแรกที่ใช้การเปลี่ยนแปลงและการสลายตัวในการดำเนินการก่อนอนุกรมเวลา จากนั้นเวลาที่ล่าช้าเครือข่ายประสาทได้รับชิ้นส่วนที่เกิดขึ้นเป็นปัจจัยการผลิต แสดงผลของเครือข่ายประสาทนี้แล้วป้อนข้อมูลไปยังขั้นตอนวิธีการแพร่กระจายย้อนกลับที่สังเคราะห์ส่วนประกอบการประมวลผลเป็นที่คาดการณ์เดียว ขั้นตอนวิธีทางพันธุกรรมเป็นแนวทางในการ architectursee lectionfo อา botht Het IME-delaayn ฐาน ackpropagationne uranl etworksT ฮี mpiricaelx ampleus Sedi n
หมวก studyr evealt นี้ combinationo ฉ transformationfe, xtractiona aturee, ครั้ง neuraln etworkst hroughs ติด generalizatiogni vesm orea ccuratefo recastst Hanc lassicadl ecompositioonr ARIMAm odels Scopea NDP urpose researchr eportedin xaminest papere นี้ wo concurrenits sues.T เขา firste valuatest
เขาประสิทธิภาพการทำงานของเครือข่ายประสาทในการพยากรณ์อนุกรมเวลา ประการที่สองการประเมินการใช้ทั่วไปซ้อนกันเป็นวิธีการ refiningth เป็น process.T เขา methodologyis appliedt o foure conomica ครั้ง businesst imes eries.T ท่อ tudyingt IME
seriesà NDN euranl etworksp, articularliyn termso ฉ combiningto olsf romt นะ tatisticaclo mmunitwy ithn euranl ซอร์สสมาชิกกลุ่ม technologyw ป่วย findt Elevant paperr ของเขา.
วารสารของสมาคมการวิจัยเชิงปฏิบัติการ (2003) 54, 307-317 ดอย:

ผลลัพธ์ (ไทย) 3:

operationasn ทำเทิบ usinessd ecisionso ftend ependo N accurateti ฉัน seriefso recastst . heset บางครั้ง eriesu suallyc onsist ของแนวโน้มวัฏจักรตามฤดูกาล และส่วนประกอบ ผิดปกติ วิธีการที่มีอยู่พยายามแรกระบุและคาดการณ์
ส่วนประกอบเหล่านี้จะสร้างการคาดการณ์ .เสนอการย่อยสลายด้วยวิธีนี้ขั้นตอนกระบวนการพันธมิตรเครือข่ายประสาทเพื่อรวมจุดแข็งของเศรษฐศาสตร์ , สถิติ , และวิจัยเครื่องเรียน ซ้อน
การแรกใช้กระบวนการแปลงและการสลายตัวของอนุกรมเวลาก่อน แล้วเวลาเครือข่ายประสาทได้รับผลส่วนประกอบที่เป็นปัจจัยการผลิตผลของโครงข่ายนี้จะใส่เป็นแบบวิธีที่สังเคราะห์แปรรูปชิ้นส่วนเป็นพยากรณ์เดี่ยว คู่มือ architectursee lectionfo R botht มันใน delaayn dB ackpropagationne uranl etworkst ขั้นตอนวิธีเชิงพันธุกรรม ฮี mpiricaelx ampleus sedi n
นี้ studyr evealt หมวก combinationo F transformationfe aturee xtractiona , ,ครั้งที่ neuraln etworkst hroughs tacked generalizatiogni vesm orea ccuratefo recastst hanc lassicadl ecompositioonr arimam odels . scopea NDP urpose . การ researchr eportedin นี้ papere xaminest wo concurrenits ฟ้อง T เขา firste valuatest เขา
สมรรถนะของโครงข่ายประสาทเทียมในการพยากรณ์อนุกรมเวลา 2 ประเมินที่ใช้กันทั่วไปเป็นวิธีการ refiningth คือกระบวนการเขา methodologyis appliedt O foure conomica ND businesst บางครั้ง eries T ท่อ tudyingt IME
ซีรี เอ ndn euranl etworksp articularliyn , termso F combiningto olsf romt เขา tatisticaclo mmunitwy ithn euranl etwork technologyw , ป่วย findt ของเขา paperr elevant .
วารสารของสมาคมวิจัยปฏิบัติการ ( 2003 ) 54 , 307-317 . ดอย :