As the discrepancy between the mode

As the discrepancy between the model and the simulated data
(measured by the θ value used to simulate the data) rose, forecast
errors progressively increased for parametric forecasts, especially in
the low noise scenario (Fig. 3A–C). In contrast, nonparametric forecasts
were only marginally affected by the value of θ used in the simulated
datasets and were found to outperform parametric forecasts for large
value of θ (Fig. 3C and F), while the contrary was observed for smaller
θ values (Fig. 3A, D and E). SRMSE reached larger than one values for
both approaches, indicating that they both performed worse than a
simple average forecast in the long term. This result is not surprising
given the notorious sensitivity to initial conditions inherent to chaotic
systems, which prevents any reliable long-term forecast. No reliable
predictions could be achieved for more than 5 time steps in the future
in all cases. Parametric and nonparametric approaches were

ผลลัพธ์ (ไทย) 1:

เป็นความขัดแย้งระหว่างแบบจำลองข้อมูล(วัด โดยใช้ในการจำลองข้อมูลค่าθ) กุหลาบ การคาดการณ์ข้อผิดพลาดความก้าวหน้าเพิ่มขึ้นสำหรับการคาดการณ์ของพาราเมตริก โดยเฉพาะอย่างยิ่งในสถานการณ์เสียงรบกวนต่ำ (Fig. 3A – C) ในทางตรงข้าม คาดการณ์ nonparametricได้รับผลกระทบ โดยค่าของθที่ใช้ในการจำลองดีเท่านั้นdatasets และพบมีประสิทธิภาพสูงกว่าคาดการณ์พาราเมตริกสำหรับขนาดใหญ่ค่าของθ (Fig. 3C และ F), ในขณะที่ตรงกันข้ามเป็นสังเกตสำหรับขนาดเล็กค่าθ (Fig. 3A, D และ E) SRMSE ถึงมากกว่าหนึ่งค่าทั้งสองวิธี ระบุว่า พวกเขาทั้งสองทำแย่กว่าการเฉลี่ยอย่างที่คาดการณ์ในระยะยาว ผลนี้ไม่น่าแปลกใจให้ไวอื้อฉาวซึ่งมีเงื่อนไขให้วุ่นวายแต่กำเนิดเริ่มต้นระบบ ซึ่งทำให้การคาดการณ์ระยะยาวใด ๆ ความน่าเชื่อถือ ไม่น่าเชื่อถือคาดคะเนไม่ได้ขั้นตอนเวลามากกว่า 5 ในอนาคตในทุกกรณี วิธี nonparametric และพาราเมตริกได้

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นความแตกต่างระหว่างรูปแบบและข้อมูลจำลอง
(วัดโดยค่าθที่ใช้ในการจำลองข้อมูล)
เพิ่มขึ้นคาดการณ์ข้อผิดพลาดที่เพิ่มขึ้นมีความก้าวหน้าสำหรับการคาดการณ์ตัวแปรโดยเฉพาะอย่างยิ่งในสถานการณ์ที่เสียงต่ำ
(รูป. 3A-C) ในทางตรงกันข้ามการคาดการณ์ที่ไม่อิงพารามิเตอร์ได้รับผลกระทบเล็กน้อยเท่านั้นโดยค่าของθที่ใช้ในการทดลองชุดข้อมูลและพบว่ามีประสิทธิภาพสูงกว่าการคาดการณ์พาราขนาดใหญ่มูลค่าของθ (รูป. 3C และ F) ในขณะที่ขัดเป็นข้อสังเกตสำหรับขนาดเล็กค่าθ (รูปที่ . 3A, D และ E) SRMSE ถึงหนึ่งมีขนาดใหญ่กว่าค่าสำหรับวิธีการทั้งสองแสดงให้เห็นว่าพวกเขาทั้งสองดำเนินการเลวร้ายยิ่งกว่าการคาดการณ์เฉลี่ยที่เรียบง่ายในระยะยาว ผลที่ได้นี้ไม่น่าแปลกใจที่ได้รับความไวที่จะฉาวโฉ่เงื่อนไขเริ่มต้นโดยธรรมชาติเพื่อวุ่นวายระบบซึ่งจะช่วยป้องกันการคาดการณ์ในระยะยาวใดๆ ที่เชื่อถือได้ ไม่มีความน่าเชื่อถือการคาดการณ์ที่จะประสบความสำเร็จมานานกว่า 5 ขั้นตอนเวลาในอนาคตในทุกกรณี วิธี Parametric และไม่อิงพารามิเตอร์ได้

ผลลัพธ์ (ไทย) 3:

ในขณะที่ความแตกต่างระหว่างรูปแบบและการจำลองข้อมูล
( วัดโดยθค่าใช้ในการจำลองข้อมูลกุหลาบ , การคาดการณ์
ข้อผิดพลาดทุกทีที่เพิ่มขึ้นสำหรับการคาดการณ์พารา โดยเฉพาะอย่างยิ่งใน
สถานการณ์สัญญาณรบกวนต่ำ ( รูปที่ 3A ( C ) ในทางตรงกันข้ามกระทรวงสาธารณสุขคาดการณ์
เป็นเพียงเล็กน้อยที่ได้รับผลกระทบจากค่าของθใช้ในการจำลอง
ข้อมูล และพบว่ามีประสิทธิภาพสูงกว่าการคาดการณ์ของพารามิเตอร์สำหรับมากค่า
θ ( ภาพที่ 3 C และ F ) ในขณะที่ในทางตรงกันข้ามเป็นสังเกตสำหรับθขนาดเล็ก
ค่า ( รูปที่ 3A , D และ E ) srmse ถึงมากกว่าหนึ่งค่าสำหรับ
ทั้งสองวิธี ระบุว่า พวกเขาทั้งสองแสดงแย่กว่าการคาดการณ์เฉลี่ย
ง่ายในระยะยาว ผลที่ได้นี้ไม่น่าแปลกใจ
ได้รับความฉาวโฉ่เงื่อนไขในระบบวุ่นวาย
เริ่มต้น ซึ่งป้องกันการพยากรณ์ระยะยาวใด ๆที่เชื่อถือได้ ไม่มีการคาดการณ์ที่เชื่อถือได้
ได้สำหรับขั้นตอนที่มากกว่า 5 ครั้งใน อนาคต
ในทุกกรณี วิธีนอนพาราเมตริกแบบพาราเมตริกและคือ