توضیحات
This book presents two new decomposition methods to decompose a time series in intrinsic components of low and high frequencies. The methods are based on Singular Value Decomposition (SVD) of a Hankel matrix (HSVD). The proposed decomposition is used to improve the accuracy of linear and nonlinear auto-regressive models.
Linear Auto-regressive models (AR, ARMA and ARIMA) and Auto-regressive Neural Networks (ANNs) have been found insufficient because of the highly complicated nature of some time series. Hybrid models are a recent solution to deal with non-stationary processes which combine pre-processing techniques with conventional forecasters, some pre-processing techniques broadly implemented are Singular Spectrum Analysis (SSA) and Stationary Wavelet Transform (SWT). Although the flexibility of SSA and SWT allows their usage in a wide range of forecast problems, there is a lack of standard methods to select their parameters.
The proposed decomposition HSVD and Multilevel SVD are described in detail through time series coming from the transport and fishery sectors. Further, for comparison purposes, it is evaluated the forecast accuracy reached by SSA and SWT, both jointly with AR-based models and ANNs.
————————————————————–
ترجمه ماشینی :
این کتاب دو روش جدید تجزیه را برای تجزیه یک سری زمانی در اجزای ذاتی فرکانسهای پایین و بالا ارائه میکند. روش ها بر اساس تجزیه ارزش منفرد (SVD) یک ماتریس هانکل (HSVD) هستند. تجزیه پیشنهادی برای بهبود دقت مدلهای رگرسیون خودکار خطی و غیرخطی استفاده میشود.
مدلهای رگرسیون خودکار خطی (AR، ARMA و ARIMA) و شبکههای عصبی خودکار رگرسیون (ANN) کافی نیستند. به دلیل ماهیت بسیار پیچیده برخی از سری های زمانی. مدلهای ترکیبی راهحلی جدید برای مقابله با فرآیندهای غیر ثابت هستند که تکنیکهای پیش پردازش را با پیشبینیکنندههای معمولی ترکیب میکنند، برخی از تکنیکهای پیش پردازش که به طور گسترده اجرا میشوند عبارتند از تجزیه و تحلیل طیف منفرد (SSA) و تبدیل موجک ثابت (SWT). اگرچه انعطاف پذیری SSA و SWT امکان استفاده از آنها را در طیف گسترده ای از مشکلات پیش بینی می دهد، اما فقدان روش های استاندارد برای انتخاب پارامترهای آنها وجود دارد.
تجزیه پیشنهادی HSVD و SVD چند سطحی به تفصیل در طول زمان توضیح داده شده است. مجموعه هایی که از بخش حمل و نقل و شیلات می آیند. علاوه بر این، برای مقاصد مقایسه، دقت پیشبینی به دست آمده توسط SSA و SWT، هر دو به طور مشترک با مدلهای مبتنی بر AR و شبکههای عصبی مصنوعی ارزیابی میشود.
tag : دانلود کتاب مدل های پیش بینی چند مقیاسی , Download مدل های پیش بینی چند مقیاسی , دانلود مدل های پیش بینی چند مقیاسی , Download Multiscale Forecasting Models Book , مدل های پیش بینی چند مقیاسی دانلود , buy مدل های پیش بینی چند مقیاسی , خرید کتاب مدل های پیش بینی چند مقیاسی , دانلود کتاب Multiscale Forecasting Models , کتاب Multiscale Forecasting Models , دانلود Multiscale Forecasting Models , خرید Multiscale Forecasting Models , خرید کتاب Multiscale Forecasting Models ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.