Neuronale Netze Gleitender Durchschnitt

Eine künstliche neuronale Netzwerk (p. D. Q) - Modell für Zeitvorhersagen Mehdi Khashei Prognose. Mehdi Bijari Department of Industrial Engineering, Isfahan University of Technology, Isfahan, Iran Verfügbar online 22. Mai 2009. Künstliche neuronale Netze (ANNs) sind flexible Computing-Frameworks und universelle Approximatoren, die auf eine breite Palette von Zeitreihenprognoseproblemen mit hohem Aufwand angewendet werden können Genauigkeit. Trotz aller Vorteile, die für künstliche neuronale Netze genannt werden, ist ihre Leistung für einige Echtzeitreihen nicht zufriedenstellend. Die Verbesserung der Prognose vor allem der Zeitreihen-Prognosegenauigkeit ist eine wichtige, aber oft schwierige Aufgabe für die Prognostiker. Sowohl theoretische als auch empirische Befunde haben gezeigt, dass die Integration verschiedener Modelle eine effektive Methode zur Verbesserung ihrer prädiktiven Leistung sein kann, insbesondere wenn die Modelle im Ensemble ganz anders sind. In diesem Beitrag wird ein neuartiges Hybridmodell für künstliche neuronale Netze vorgeschlagen, das autoregressive integrierte Moving Average-Modelle (ARIMA) verwendet, um ein genaues Prognosemodell zu liefern als künstliche neuronale Netze. Die empirischen Ergebnisse mit drei bekannten realen Datensätzen deuten darauf hin, dass das vorgeschlagene Modell ein effektiver Weg sein kann, um die Prognosegenauigkeit zu verbessern, die durch künstliche neuronale Netze erreicht wird. Daher kann es als ein geeignetes alternatives Modell für die Prognoseaufgabe verwendet werden, insbesondere wenn eine höhere Prognosegenauigkeit erforderlich ist. Künstliche neuronale Netze (ANNs) Auto-regressiver integrierter gleitender Durchschnitt (ARIMA) Zeitreihenprognose Abb. Fig. Fig. Tabelle 1. Fig. Fig. Fig. Fig. Fig. Fig. Tabelle 2. Fig. Fig. Fig. Fig. Fig. Fig. Tabelle 3. Fig. Fig. Fig. Fig. 19.Wenn wir eine Prognose zu machen, die Bücher sagen uns, dass die wichtigste Methode ist die autoregressive gleitende durchschnittliche Modell. Meiner Meinung nach gibt es ein weiteres großes Werkzeug, das Feed Forward Neuronales Netzwerk (FFNN). So denke ich, dass wir zwei Hauptwerkzeuge verwenden könnten: Autoregressiver gleitender Durchschnitt Feed forward neuronales Netz Natürlich muss es Unterschiede geben, aber ich bin kein Experte. Wer, mit ausreichenden Erfahrungen in diesen beiden Methoden, kann mir erklären, die Unterschiede zwischen diesen beiden Methoden auf die Vorhersagen gebeten Februar 20 14 bei 14:53