1. Trang chủ
  2. » Giáo Dục - Đào Tạo

Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất

49 20 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 49
Dung lượng 2,74 MB

Nội dung

Ngày đăng: 27/11/2021, 08:57

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] R. Agrawal, C. Faloutsos, A. Swami , "Efficient similarity search in sequence da- tabases," in Proceedings of the 4th International Conference on Foundations of Data Organization and Algorithms, Chicago, 1993, pp. 69-84 Sách, tạp chí
Tiêu đề: Efficient similarity search in sequence da-tabases
[2] F. M. Álvares, A. T. Lora, J.C. Riquelme, J.S. Aguilar Ruiz, "Energy Time Series Forecasting Based on Pattern Sequence Similarity," Knowledge and Data Engineering, IEEE Transaction, vol. 23, no. 8, pp. 1230-1243, Aug. 2011 Sách, tạp chí
Tiêu đề: Energy Time Series Forecasting Based on Pattern Sequence Similarity
[3] T. Ash, "Dynamic node creation in backpropagation networks," Computer Science, vol. 1, no. 4, pp. 365-375, 1989 Sách, tạp chí
Tiêu đề: Dynamic node creation in backpropagation networks
[4] N. Beckmann, H. Kriegel, R. Schneider, B. Seeger, "The R*-tree: An efficient and robust access method for points and rectangles," in Proc. of 1990 ACM SIGMOD Conf., Atlantic City, NJ, 1990, pp. 322-331 Sách, tạp chí
Tiêu đề: The R*-tree: An efficient and robust access method for points and rectangles
[5] D. Berndt and J. Clifford, "Finding Patterns in time series: a dynamic programming approach," Journal of advances in Knowledge Discovery and Data Mining, pp. 229- 248, 1996 Sách, tạp chí
Tiêu đề: Finding Patterns in time series: a dynamic programming approach
[6] S. D. Balkin and J. K. Ord, "Automatic neural network modeling for univariate time series," International Journal of Forecasting, vol. 16, pp. 509-515, 2000 Sách, tạp chí
Tiêu đề: Automatic neural network modeling for univariate time series
[7] K. Chan and A. W. Fu, "Efficient Time Series Matching by Wavelets," in Proceed- ings of the 15th IEEE Int'l Conference on Data Engineering, Sydney, Australia, 1999, pp. 126-133 Sách, tạp chí
Tiêu đề: Efficient Time Series Matching by Wavelets
[8] F.L. Chung, T.C. Fu, R. Luk, V. Ng, "Flexible Time Series Pattern Matching Based on Perceptually Important Points," in International Joint Conference on Artifi- cial Intelligence Workshop on Learning from Temporal and Spatial Data, 2001, pp. 1- 7 Sách, tạp chí
Tiêu đề: Flexible Time Series Pattern Matching Based on Perceptually Important Points
[10] E. Cadenas and W. Rivera, "Short-term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural network," Renewable Energy, vol. 34, pp. 274- 278, 2009 Sách, tạp chí
Tiêu đề: Short-term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural network
[11] C. Faloutsos, M. Ranganathan, Y. Manolopoulos, "Fast Subsequence Matching in Time Series Databases," in Proceedings of the ACM SIGMOD International Confer- ence on Management of Data, Minneapolis, NM, 1994, pp. 419-429 Sách, tạp chí
Tiêu đề: Fast Subsequence Matching in Time Series Databases
[12] E. Fink, K. B. Pratt, "Indexing of compressing time series," in Mark Last, Abra- ham Kandel and Horst Bunke, editors. Data mining in time series Databases, World Scientific, Singapore., 2003 Sách, tạp chí
Tiêu đề: Indexing of compressing time series
[13] E. Fink, H. S. Gandhi, "Compression of time series by extracting major extrema," Journal of Experimental & Theoretical Artificial Intelligence, vol. 23, no. 2, pp. 255- 270, Jun. 2011 Sách, tạp chí
Tiêu đề: Compression of time series by extracting major extrema
[14] A. Guttman, "R-trees: a Dynamic Index Structure for Spatial Searching," in Proc. of the ACM SIGMOD Int. Conf. on Management of Data, 1984, pp. 47-57 Sách, tạp chí
Tiêu đề: R-trees: a Dynamic Index Structure for Spatial Searching
[15] S. Gelper, R. Fried, C. Croux, "Robust forecasting with exponential and Hold- Winters smoothing," Journal of Forecasting, vol. 29, no. 3, pp. 285-300, 2010 Sách, tạp chí
Tiêu đề: Robust forecasting with exponential and Hold-Winters smoothing
[16] M. Ghiassi, H. Saidane and D.K. Zimbra, "A dynamic artificial neural networkfor forecasting series events," International Journal of Forecasting, vol. 21, pp. 341-362, 2005 Sách, tạp chí
Tiêu đề: A dynamic artificial neural networkfor forecasting series events
[19] Đinh Thi Thu Huong, Cao Thi Phuong Anh and Bui Thu Lam, (2013). An Evolu- tionary Ensemble-based approach for Exchange Rate Forcasting. In Proc. of 2013 World Congress on Information and Communication Technologies (WICT 2013), Ha- noi, Vietnam, December, 15-18, 2013, pp. 111-116 Sách, tạp chí
Tiêu đề: In Proc. of 2013 World Congress on Information and Communication Technologies (WICT 2013)
Tác giả: Đinh Thi Thu Huong, Cao Thi Phuong Anh and Bui Thu Lam
Năm: 2013
[20] S. Heravi and C. R. Birchenhall, "Linear versus neural network forecasting for European industrial production series," International Journal of Forecasting, vol. 20, pp. 435-446, 2004 Sách, tạp chí
Tiêu đề: Linear versus neural network forecasting for European industrial production series
[21] Z. Huang and M. L. Shyu, "k-NN Based LS-SVM Framework for Long-Term Time Series Prediction," in The 11th IEEE International Conference on Information Reuse and Integration (IRI 2010), Tuscany Suites & Casino, Las Vegas, Nevada, USA, 2010, pp. 69-74 Sách, tạp chí
Tiêu đề: k-NN Based LS-SVM Framework for Long-Term Time Series Prediction
[22] Z. Huang and M.-L. Shyu, "Long-Term Time Series Prediction using k-NN Based LS-SVM Framework with Multi-Value Integration," in Recent Trends in Information Reuse and Integration, K. K. a. M. T. Tansel Ozyer, Ed. Springer Vienna, 2012, ch. 9, pp. 191-209 Sách, tạp chí
Tiêu đề: Long-Term Time Series Prediction using k-NN Based LS-SVM Framework with Multi-Value Integration
[23] Z. Huang, M. L. Shyu, J. M. Tien, "Multi-Model Integration for Long-Term Time Series Prediction," in The 13th IEEE International Conference on Information Reuse and Integration (IRI 2012), Tuscany Suites & Casino, Las Vegas, Nevada, USA, 2012 Sách, tạp chí
Tiêu đề: Multi-Model Integration for Long-Term Time Series Prediction

HÌNH ẢNH LIÊN QUAN

từng khoảng thời gian liền nhau theo một tần suất thời gian thống nhất. Hình 1.1 minh - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
t ừng khoảng thời gian liền nhau theo một tần suất thời gian thống nhất. Hình 1.1 minh (Trang 10)
Hình 1.2 Minh họa hai chuỗi thời gian giống nhau. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.2 Minh họa hai chuỗi thời gian giống nhau (Trang 12)
điểm thứ i của đường thứ hai) là không phù hợp. Hình 1.3 minh họa hai đường biểu - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
i ểm thứ i của đường thứ hai) là không phù hợp. Hình 1.3 minh họa hai đường biểu (Trang 13)
Hình 1.4 minh họa cách tính khoảng cách theo DTW. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.4 minh họa cách tính khoảng cách theo DTW (Trang 14)
Hình 1.5 Minh họa phương pháp DFT ([28]). - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.5 Minh họa phương pháp DFT ([28]) (Trang 16)
Hình 1.6 Minh họa phương pháp Haar Wavelet ([28]). - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.6 Minh họa phương pháp Haar Wavelet ([28]) (Trang 17)
Hình 1.7 minh họa phương pháp này. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.7 minh họa phương pháp này (Trang 18)
Hình 1.7 Minh họa phương pháp PAA ([28]). - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.7 Minh họa phương pháp PAA ([28]) (Trang 18)
rằng = 0. Hình 1.10 minh họa kỹ thuật xén dữ liệu một chuỗi thời gian. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
r ằng = 0. Hình 1.10 minh họa kỹ thuật xén dữ liệu một chuỗi thời gian (Trang 20)
Hình 1.9 Minh họa quá trình nhận dạng các điểm PIP ([8]). - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.9 Minh họa quá trình nhận dạng các điểm PIP ([8]) (Trang 20)
đường trung bình củ aC nhằm so sánh sự giống nhau về hình dạng của hai chuỗi. Ngoài ra, cần cộng thêm khoảng cách giữa hai đường trung bình của hai chuỗi để tính toán sự sai biệt về mặt giá trị - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
ng trung bình củ aC nhằm so sánh sự giống nhau về hình dạng của hai chuỗi. Ngoài ra, cần cộng thêm khoảng cách giữa hai đường trung bình của hai chuỗi để tính toán sự sai biệt về mặt giá trị (Trang 22)
bảng xác suất của phân bố Gauss nhằm có một xác suất bằng nhau cho mỗi ký hiệu - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
bảng x ác suất của phân bố Gauss nhằm có một xác suất bằng nhau cho mỗi ký hiệu (Trang 23)
Hình 1.13 Minh họa R-tree. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.13 Minh họa R-tree (Trang 24)
Hình 1.14 minh họa SBR của ba chuỗi thời gian. Tuy nhiên, điều dễ nhận thấy là - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 1.14 minh họa SBR của ba chuỗi thời gian. Tuy nhiên, điều dễ nhận thấy là (Trang 26)
(xem Hình 1.15) - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
xem Hình 1.15) (Trang 30)
prediction). Hình 2.1 trình bày ý tưởng cơ bản của cách tiếp cận này. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
prediction . Hình 2.1 trình bày ý tưởng cơ bản của cách tiếp cận này (Trang 33)
Hình 2.2 Minh họa thuật toán dự báo dựa trên phương pháp so trùng mẫu. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 2.2 Minh họa thuật toán dự báo dựa trên phương pháp so trùng mẫu (Trang 34)
Hình 3.1 Minh họa bốn tập dữ liệu dùng trong thực nghiệm ([17]). - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Hình 3.1 Minh họa bốn tập dữ liệu dùng trong thực nghiệm ([17]) (Trang 36)
được lấy từ nguồn [17]. Hình 3.1 minh họa các tập dữ liệu trên dưới dạng đồ họa. - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
c lấy từ nguồn [17]. Hình 3.1 minh họa các tập dữ liệu trên dưới dạng đồ họa (Trang 37)
Bảng 3.3 Lỗi dự báo của phương pháp sử dụng thuật toán klân cận gần nhất so sánh với - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Bảng 3.3 Lỗi dự báo của phương pháp sử dụng thuật toán klân cận gần nhất so sánh với (Trang 40)
Bảng 3.4 Lỗi dự báo của phương pháp sử dụng thuật toán klân cận gần nhất so sánh với phương pháp ANN - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
Bảng 3.4 Lỗi dự báo của phương pháp sử dụng thuật toán klân cận gần nhất so sánh với phương pháp ANN (Trang 40)
cuối của bảng là trung bình lỗi trong mười năm. Bảng 3.5 trình bày kết quả tổng hợp từ - Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất
cu ối của bảng là trung bình lỗi trong mười năm. Bảng 3.5 trình bày kết quả tổng hợp từ (Trang 41)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

Tổng quan về một số phương pháp dự báo trên dữ liệu chuỗi thời gian Dự báo chuỗi thời gian bằng mạng nơ ron nhân tạo

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w