Different forecasting models can co

Different forecasting models can complement each other in capturing patterns of data sets, and both theatrical and empirical studies have concluded that a combination of forecast outperforms individual forecasting models [14–16]. Since the early work of Bates and Granger [17], several architectures of combined forecasts have been explored. Clemen [18] had a comprehensive bibliography review in this area. Menezes et al. [19] offered good guidelines for combined forecasting. They concluded that the problem of combined forecasts is implementing multi-criteria process and judging the attributes of an error specification. Lam et al. [20] proposed a goal programming model to obtain optimal weights for combining forecasting models. Terui and Dijk [21] presented a linear and nonlinear time series model for forecasting the US monthly employment rate and production indices. Their results demonstrated that the combined forecasts outperformed the individual forecasts. Fang [22] used quarterly UK consumption expenditure data to show the superiority of the combined forecasting model. Zhang [23] combined the ARIMA and feedforward neural networks models in fore
casting. This study presents a hybrid model of ARIMA and SVMs to slove the stock price forecasting problem.

ผลลัพธ์ (ไทย) 1:

แบบจำลองการคาดการณ์ต่าง ๆ สามารถส่งเสริมกันในการจับรูปแบบของชุดข้อมูล และการศึกษาทั้งละคร และเชิงประจักษ์ได้ข้อสรุปว่า การรวมกันของการพยากรณ์อากาศมีประสิทธิภาพสูงกว่าการคาดการณ์แต่ละรุ่น [14-16] ตั้งแต่ในช่วงต้นงานเบตส์และเกรนเจอร์ [17], สถาปัตยกรรมหลายการคาดการณ์รวมได้รับการสำรวจ Clemen [18] มีบรรณานุกรมสำหรับครอบคลุมในพื้นที่นี้ Menezes et al. [19] เสนอแนวทางที่ดีสำหรับการคาดการณ์รวม พวกเขาสรุปว่า ปัญหาของการคาดการณ์รวมเป็นการใช้กระบวนการหลายเกณฑ์ และตัดสินคุณลักษณะของข้อผิดพลาด specification ลำ et al. [20] นำเสนอเป้าหมายการเขียนโปรแกรมรุ่นรับน้ำหนักที่ดีที่สุดสำหรับการรวมแบบจำลองการคาดการณ์ นำเสนอกลุ่มแบบลำดับเวลาเชิงเส้น และไม่เชิงเส้นสำหรับการคาดการณ์สหรัฐฯ รายเดือนจ้างอัตราและผลิตดัชนี Terui และ Dijk [21] ผลแสดงให้เห็นว่า การคาดการณ์รวมกรรมการคาดการณ์แต่ละ ฟาง [22] ใช้ข้อมูลรายจ่ายการบริโภค UK ทุกไตรมาสเพื่อแสดงความเหนือกว่าของแบบจำลองการคาดการณ์รวม จาง [23] รวมอาริมะ และเสียงของระบบเครือข่ายรุ่นในข้างหน้าหล่อ การศึกษานี้นำเสนอแบบไฮบริดสลีของอาริมะและ SVMs เพื่อแก้ปัญหาการคาดการณ์ราคาหุ้น

ผลลัพธ์ (ไทย) 2:

รูปแบบการพยากรณ์ที่แตกต่างกันสามารถเติมเต็มซึ่งกันและกันในการจับรูปแบบของชุดข้อมูลและการศึกษาทั้งการแสดงละครและเชิงประจักษ์ได้ข้อสรุปว่าการรวมกันของการคาดการณ์มีประสิทธิภาพดีกว่ารูปแบบการพยากรณ์แต่ละ [14-16] ตั้งแต่งานแรกของเบตส์และเกรนเจอร์ [17] หลายสถาปัตยกรรมของการคาดการณ์รวมได้รับการสำรวจ Clemen [18] มีการทบทวนบรรณานุกรมที่ครอบคลุมในพื้นที่นี้ Menezes et al, [19] ที่นำเสนอแนวทางที่ดีสำหรับการคาดการณ์รวม พวกเขาสรุปว่าปัญหาของการคาดการณ์รวมกันคือการใช้กระบวนการหลายเกณฑ์การตัดสินและคุณสมบัติของข้อผิดพลาด speci ไอออนบวก Fi จะ ลำ et al, [20] ที่นำเสนอรูปแบบการเขียนโปรแกรมเป้าหมายที่จะได้รับน้ำหนักที่เหมาะสมที่สุดสำหรับการรวมรูปแบบการพยากรณ์ Terui และ Dijk [21] นำเสนอรูปแบบอนุกรมเวลาเชิงเส้นและไม่เชิงเส้นสำหรับการคาดการณ์ของสหรัฐรายเดือนอัตราการจ้างงานและการผลิตดัชนี ผลของพวกเขาแสดงให้เห็นว่าการคาดการณ์รวมกันดีกว่าการคาดการณ์ของแต่ละบุคคล ฝาง [22] ใช้สหราชอาณาจักรไตรมาสข้อมูลค่าใช้จ่ายในการบริโภคเพื่อแสดงความเหนือกว่าของแบบจำลองการคาดการณ์รวม วอชิงตันโพสต์ [23] รวม ARIMA และ feedforward ประสาทแบบจำลองเครือข่ายในหน้า
หล่อ การศึกษาครั้งนี้ได้นำเสนอรูปแบบไฮบริดของ ARIMA และ SVMs เพื่อ slove ปัญหาการคาดการณ์ราคาหุ้น

ผลลัพธ์ (ไทย) 3:

แบบจำลองการพยากรณ์ที่แตกต่างกันสามารถเติมเต็มซึ่งกันและกันในการจับรูปแบบของชุดข้อมูล และทั้งการแสดงและการศึกษาเชิงประจักษ์ได้สรุปว่า การรวมกันของแต่ละตัวแบบพยากรณ์มีประสิทธิภาพดีกว่า [ 14 – 16 ] เพราะงานแรกของ Bates และ Granger [ 17 ] , หลายรูปแบบของการคาดการณ์รวมมีการสํารวจ คลีเมน [ 18 ] มีการทบทวนบรรณานุกรมที่ครอบคลุมในพื้นที่นี้ menezes et al . [ 19 ] เสนอแนวทางที่ดีสำหรับพยากรณ์รวม พวกเขาได้ข้อสรุปว่าปัญหาพยากรณ์รวม มีการใช้เกณฑ์การตัดสินหลายกระบวนการและคุณลักษณะของข้อผิดพลาด speci จึงไอออนบวก ลำ et al . [ 20 ] เสนอเป้าหมายการเขียนโปรแกรมแบบรับน้ำหนักที่เหมาะสมสำหรับการรวมแบบพยากรณ์ . terui Dijk [ 21 ] และเสนอระบบสมการเชิงเส้นและไม่เชิงเส้นแบบอนุกรมเวลาในการพยากรณ์อัตราการจ้างงานและการผลิตเรารายเดือนดัชนี ผลของพวกเขาแสดงให้เห็นว่าพยากรณ์รวมสูงกว่าการคาดการณ์ของแต่ละบุคคล ฟาง [ 22 ] ใช้รายจ่ายการบริโภค UK ข้อมูลรายไตรมาสเพื่อแสดงความเหนือกว่าของแบบจำลองพยากรณ์รวม จาง [ 23 ] รวมกันพยากรณ์ไปข้างหน้าและโครงข่ายประสาทเทียมแบบในหน้าหล่อ การศึกษานี้ได้นำเสนอแบบจำลอง ARIMA แบบไฮบริดและแก้ไขราคาหุ้นการพยากรณ์ปัญหา