Hong [14] suggested the utilization

Hong [14] suggested the utilization of a support vector model (SVM) as an alternative to an ANN
for forecasting electric consumption. According to the empirical study, the performance of SVM was
superior to other methods, regression and ANN models. Ekonomou [15] compared the ability to
predict the Greek-long term energy consumption of these three methods: ANN, regression and SVM.
The results indicated that both ANN and SVM were able to forecast the consumption with great
accuracy. Pappas, Ekonomou, Karamousantas, Chatzarakis, Katsikas and Liatsis [16] introduced the
utilization of traditional methodology, i.e., an ARIMA model, to predict the electricity demand.
Different ARIMA models were selected and the criteria (Akaike Information Criterion: AIC and
Bayesian Information Criterion: BIC) were utilized to justify the most appropriate one.

ผลลัพธ์ (ไทย) 1:

ใช้รูปแบบเวกเตอร์สนับสนุน (SVM) เป็นทางเลือกแอนแนะนำ Hong [14]สำหรับการคาดการณ์ปริมาณการใช้ไฟฟ้า ตามผลการศึกษา มีประสิทธิภาพของ SVMห้องอื่น ๆ วิธี ถดถอย และรูปแบบของแอน Ekonomou [15] เปรียบเทียบความสามารถในการทำนายการใช้พลังงานระยะยาวกรีกวิธี 3: แอน ถดถอย และ SVMผลระบุว่า แอนและ SVM มีสามารถคาดการณ์ปริมาณการใช้อาหารความถูกต้อง Pappas, Ekonomou, Karamousantas, Chatzarakis, Katsikas และ Liatsis [16] แนะนำการใช้วิธีแบบดั้งเดิม เช่น แบบอาจำลอง การทำนายความต้องการไฟฟ้าเลือกแบบอาที่แตกต่าง และเกณฑ์ (เกณฑ์ข้อมูล Akaike: AIC และทฤษฎีข้อมูลเกณฑ์: BIC) ถูกนำมาใช้ให้เหมาะสมที่สุด

ผลลัพธ์ (ไทย) 2:

ฮ่องกง [14] แนะนำการใช้ประโยชน์จากการสนับสนุนรูปแบบเวกเตอร์ (SVM)
เป็นทางเลือกให้กับแอนสำหรับการคาดการณ์ปริมาณการใช้ไฟฟ้า จากการศึกษาเชิงประจักษ์ประสิทธิภาพการทำงานของ SVM
เป็นดีกว่าวิธีการอื่นๆ และรูปแบบการถดถอย ANN Ekonomou [15]
เมื่อเทียบกับความสามารถในการคาดการณ์ในระยะยาวกรีกใช้พลังงานของทั้งสามวิธี:. ANN ถดถอยและ SVM
ผลการวิจัยพบว่าทั้งแอนและ SVM
มีความสามารถที่จะคาดการณ์การบริโภคด้วยดีความถูกต้อง Pappas, Ekonomou, Karamousantas, Chatzarakis, Katsikas และ Liatsis [16]
แนะนำการใช้วิธีการแบบดั้งเดิมคือแบบจำลองARIMA การทำนายความต้องการไฟฟ้า.
ที่แตกต่างกันแบบจำลอง ARIMA ได้รับการคัดเลือกและเกณฑ์ (Akaike ข้อมูลเกณฑ์: AIC
และข้อมูลแบบเบย์เกณฑ์: BIC) ถูกนำมาใช้เพื่อแสดงให้เห็นหนึ่งที่เหมาะสมที่สุด

ผลลัพธ์ (ไทย) 3:

ฮ่องกง [ 14 ] แนะนำการใช้สนับสนุนเวกเตอร์รูปแบบ ( SVM ) เป็นทางเลือกให้แอน
สำหรับพยากรณ์การใช้ไฟฟ้า จากการศึกษาเชิงประจักษ์ , ประสิทธิภาพของ SVM เป็น
กว่าวิธีอื่น การถดถอย และ แอน ekonomou [ 15 ] เทียบความสามารถ
ทำนายกรีกระยะยาวพลังงานของวิธีการเหล่านี้สาม : แอน การถดถอยและ SVM .
ผลการวิจัยพบว่า แอน และทั้ง SVM สามารถพยากรณ์การด้วยความถูกต้องดี

น่า ekonomou karamousantas chatzarakis , , , , และ liatsis [ 16 ] แนะนำ Katsik á s
ใช้วิธีการแบบดั้งเดิม เช่น แบบจำลอง ARIMA เพื่อพยากรณ์ความต้องการใช้ไฟฟ้าที่แตกต่างกันแบบจำลอง ARIMA .
คัดเลือกและเกณฑ์ ( เคราะห์ข้อมูลเกณฑ์ AIC และ
:ข้อมูลงาน : BIC ) เกณฑ์ที่ใช้ปรับให้เหมาะสมที่สุด