Combining time series forecasts fro

Combining time series forecasts from several models is a fruitful alternative to using only a single individual model. In the literature, it has been widely documented that a combined forecast improves the overall accuracy to a great extent and is often better than the forecast of each component model. The accuracy of a linear combination of forecasts primarily depends on the associated combining weights. Despite extensive research in this direction, finding out the most appropriate weights is still very challenging. This paper proposes a linear combination method for time series forecasting that determines the combining weights through a novel neural network structure. The designed neural network successively recognizes the weight patterns of the constituent models from their past forecasting records and then predicts the desired set of the combining weights. Empirical results from eight real-world time series show that our approach provides significantly better forecasting accuracies than the component models and other well recognized linear combination schemes. These findings are also verified through ranking methods and a non-parametric statistical test.

ผลลัพธ์ (ไทย) 1:

รวมชุดเวลาการคาดการณ์จากแบบจำลองหลายเป็นทางเลือกประสบเพื่อใช้เฉพาะรูปแบบแต่ละที่เดียว ในวรรณคดี มันได้ถูกแพร่หลายเอกสารที่รวมการคาดการณ์เพิ่มความแม่นยำโดยรวมในระดับดี และมักจะดีกว่าการคาดการณ์ของแต่ละรุ่นประกอบ ความถูกต้องของการรวมเชิงเส้นของการคาดการณ์ขึ้นอยู่กับน้ำหนักรวมที่เกี่ยวข้องเป็นหลัก แม้ มีการวิจัยในทิศทางนี้ finding หาน้ำหนักที่เหมาะสมที่สุดคือยังคงท้าทายมาก กระดาษนี้เสนอวิธีการรวมเชิงเส้นสำหรับการคาดการณ์ที่กำหนดน้ำหนักรวมถึงโครงสร้างเครือข่ายประสาทนวนิยายชุดเวลา ออกแบบเครือข่ายประสาทรับรู้รูปแบบน้ำหนักรุ่นธาตุจากระเบียนการคาดการณ์ของพวกเขาผ่านมาติด ๆ กัน และทำนายชุดระบุน้ำหนักรวมแล้ว ผลรวมจากลำดับเวลาจริงโลกแปดแสดงว่า วิธีการของเรามี significantly ที่ดีกว่า คาดการณ์ accuracies มากกว่ารูปแบบส่วนประกอบและอื่น ๆ โครงร่างผลรวมเชิงเส้นดีรู้จัก findings เหล่านี้ยังมี verified ผ่านวิธีการและการทดสอบทางสถิติพาราเมตริกไม่ใช่การจัดอันดับ

ผลลัพธ์ (ไทย) 2:

รวมคาดการณ์อนุกรมเวลาจากหลายรูปแบบเป็นทางเลือกที่จะมีผลใช้เฉพาะรูปแบบคนเดียว ในวรรณคดีมันได้รับการรับรองอย่างกว้างขวางว่าการคาดการณ์รวมช่วยเพิ่มความถูกต้องโดยรวมในระดับที่ดีและมักจะดีกว่าการคาดการณ์ของแต่ละรูปแบบองค์ประกอบ ความถูกต้องของการรวมกันของการคาดการณ์เชิงเส้นหลักขึ้นอยู่กับน้ำหนักรวมที่เกี่ยวข้อง แม้จะมีการวิจัยอย่างกว้างขวางในทิศทางนี้สาย nding ออกน้ำหนักที่เหมาะสมที่สุดยังคงท้าทายมาก กระดาษนี้นำเสนอวิธีการรวมกันเชิงเส้นสำหรับการพยากรณ์อนุกรมเวลาที่กำหนดน้ำหนักรวมผ่านโครงสร้างเครือข่ายประสาทนวนิยาย การออกแบบเครือข่ายประสาทอย่างต่อเนื่องตระหนักถึงรูปแบบของแบบจำลองน้ำหนักส่วนประกอบจากบันทึกการคาดการณ์ที่ผ่านมาของพวกเขาแล้วคาดการณ์ชุดที่ต้องการของน้ำหนักรวม ผลเชิงประจักษ์จากแปดเวลาจริงของโลกโชว์ชุดว่าวิธีการของเราให้อย่างมีนัยสำคัญที่ดีกว่าการคาดการณ์ความถูกต้องกว่ารุ่นส่วนประกอบและอื่น ๆ ที่ได้รับการยอมรับเป็นอย่างดีรูปแบบเชิงเส้นรวมกัน ndings ไฟเหล่านี้ยังมีเอ็ดสาย Veri ผ่านวิธีการจัดอันดับและการทดสอบทางสถิติที่ไม่ใช่คณิตศาสตร์

ผลลัพธ์ (ไทย) 3:

ชุดรวมการคาดการณ์จากหลายรุ่น เป็นทางเลือกที่ดีที่จะใช้เพียงบุคคลเดียวแบบ ในวรรณคดี มีการบันทึกไว้ว่า การคาดการณ์อย่างกว้างขวางรวมปรับปรุงความถูกต้องโดยรวมในระดับมากและมักจะดีกว่าการคาดการณ์ของแต่ละองค์ประกอบรูปแบบความถูกต้องของการรวมกันเชิงเส้นของการคาดการณ์ส่วนใหญ่ขึ้นอยู่กับที่เกี่ยวข้องรวมน้ำหนัก แม้จะมีการวิจัยอย่างกว้างขวางในทิศทางนี้จึงออกหาน้ำหนักที่เหมาะสมที่สุด คือ ยังคงมีความท้าทายมาก บทความนี้เสนอวิธีการการรวมกันเชิงเส้นสำหรับการพยากรณ์อนุกรมเวลาที่กำหนดรวมน้ำหนักผ่านโครงสร้างเครือข่ายประสาทใหม่การออกแบบโครงข่ายประสาทเทียมอย่างต่อเนื่องตระหนักถึงน้ำหนักของรูปแบบองค์ประกอบรูปแบบการพยากรณ์จากประวัติที่ผ่านมาของพวกเขาแล้ว โดยชุดของที่ต้องการรวมน้ำหนักผลจากแปดจริงชุดแสดงวิธีการที่เวลาของเรามี signi จึงลดลงอย่างมีนัยสําคัญเมื่อดีกว่าการคาดการณ์ความถูกต้องกว่าแบบจำลองขององค์ประกอบอื่น ๆที่รู้จักดีและการรวมกันเชิงเส้นโครงร่าง ndings จึงเหล่านี้ยังมีข้อมูลจึงเอ็ดผ่านวิธีการจัดอันดับ และ สถิติที่ไม่ใช้พารามิเตอร์การทดสอบ