Статья о прогнозировании
жүктеу/скачать 301,5 Kb.
|
перевод
| Часть C Экстрен. Технол.2015 год,54, 187–197. [Перекрестная ссылка]
Фам, Т.; Тран, Т.; Фунг, Д.; Венкатеш, С. Прогнозирование траекторий здравоохранения на основе медицинских записей: подход глубокого обучения. Дж. Биомед. Поставить в известность.2017 год,69, 218–229. [Перекрестная ссылка] Солги Р.; Лоаисига, штат Ха; Крам, М. Нейронная сеть с длинной краткосрочной памятью (LSTM-NN) для прогнозирования временных рядов уровня водоносного горизонта с использованием пьезометрических наблюдений на месте.Дж. Гидрол.2021 год,601, 126800. [Перекрестная ссылка] Ван, Б.; Ким, И. Краткосрочное прогнозирование службы проката велосипедов с использованием машинного обучения.Трансп. Рез. Процессия2018 год,34, 171–178. [Перекрестная ссылка] Троя, С.; Альвизу, Р.; Чжоу, Ю.; Майер, Г.; Паттавина, А. Прогнозирование трафика на основе глубокого обучения для оптимизации сети. В материалах Международной конференции по прозрачным оптическим сетям 2018 г., Бухарест, Румыния, 1–5 июля 2018 г. [Перекрестная ссылка] Бесерра-Рико, Дж.; Асевес-Фернандес, М.; Эскивель-Эскаланте, К.; Педраса-Ортега, Дж. Модель прогнозирования загрязнения воздуха частицами с использованием глубоких нейронных сетей Gated Recurrent Unit (GRU).Науки о Земле. Поставить в известность.2020 год,13, 821–834. [Перекрестная ссылка] Мухаммед, AU; Яхая, А.С.; Камаль, С.М.; Адам, Дж. М.; Мухаммед, Висконсин; Эльсафи, А. Гибридный LSTM и GRU для прогнозирования цен на воду. В материалах 2-й Международной конференции по компьютерным и информационным наукам (ICCIS) 2020 г., Сакака, Саудовская Аравия, 13–15 октября 2020 г.; стр. 1–6. [Перекрестная ссылка] Бай, С.; Колтер, Дж. З.; Колтун В. Эмпирическая оценка общих сверточных и рекуррентных сетей для моделирования последовательностей. arXiv 2018 год, arXiv:1803.01271. Чжу Р.; Ляо, В.; Ван, Ю. Краткосрочный прогноз ветроэнергетики на основе временной сверточной сети.Энергетический представитель2020 год, 6, 424–429. [ Перекрестная ссылка] Ардименто, П.; Аверсано, Л.; Бернарди, ML; Чимитиле, М.; Яммарино, М. Временные сверточные сети для своевременного прогнозирования запахов при проектировании с использованием детальных программных метрик.Нейрокомпьютинг2021 год,463, 454–471. [Перекрестная ссылка] Чжан, CX; Ли, Дж.; Хуанг, XF; Чжан, Дж. С.; Хуанг, Х.К. Прогнозирование волатильности акций и стоимости, подверженной риску, на основе временных сверточных сетей.Экспертная система. Прил.2022 год,207, 117951. [Перекрестная ссылка] Политис, А.; Дока, К.; Козирис, Н. Прогноз цен на эфир с использованием передовых моделей глубокого обучения. В материалах Международной конференции IEEE по блокчейну и криптовалюте (ICBC) 2021 года, Сидней, Австралия, 3–6 мая 2021 года; стр. 1–3. [Перекрестная ссылка] Лим, Б.; Арик, СО; Лоефф, Н.; Пфистер, Т. Трансформаторы временного слияния для интерпретируемого многогоризонтного прогнозирования временных рядов.Межд. Дж. Прогноз.2021 год,37, 1748–1764. [Перекрестная ссылка] Шривастава, А.; Кано, А. Анализ и прогноз уровня pH рек с использованием глубокого обучения.Прог. Артиф. Интел.2022 год,11, 181–191. [Перекрестная ссылка] Ван, Л.; Микитишин А.; Джонсон, К.; Ченг, Дж. Прогнозирование спроса на полеты с помощью трансформаторов.arXiv2021 год, arXiv:2111.04471. Чивитарезе, Д.С.; Шварцман, Д.; Задрозный, Б.; Уотсон, К. Сезонный прогноз экстремальных осадков с использованием нейронной сети трансформатора.arXiv2021 год, arXiv:2107.06846. Шах, И.; Ян, Ф.; Али, С. Функциональный подход к данным для краткосрочного прогнозирования спроса на электроэнергию.Математика. Пробл. англ.2022 год,2022 год, 6709779. [ Перекрестная ссылка] Шах, И.; Ифтихар, Х.; Али, С. Моделирование и прогнозирование спроса и цен на электроэнергию: сравнение альтернативных подходов. Дж. Математика.2022 год,2022 год, 3581037. [Перекрестная ссылка] Сопельса Нето, НФ; Стефанон, Сан-Франциско; Мейер, Л.Х.; Овехеро, Р.Г.; Лейтхардт, «Прогнозирование повреждений VRQ на основе тока утечки в загрязненных изоляторах с использованием расширенных моделей прогнозирования временных рядов».Датчики2022 год,22, 6121. [Перекрестная ссылка] Ченг, Д.; Ян, Ф.; Сян, С.; Лю, Дж. Прогнозирование финансовых временных рядов с помощью нейронной сети мультимодальных графов.Распознавание образов. 2022 год, 121, 108218. [Перекрестная ссылка] Гайндман, Р.Дж.; Атанасопулос, Г.Прогнозирование: принципы и практика, 2-е изд.; Шпрингер: Берлин, Германия, 2018. Диксит, А.; Джайн, С. Влияние стационарности на традиционные модели машинного обучения: анализ временных рядов. В материалах Тринадцатой Международной конференции по современным вычислениям 2021 г. (IC3-2021), Нойда, Индия, 5–7 августа 2021 г.; Ассоциация вычислительной техники: Нью-Йорк, штат Нью-Йорк, США, 2021 г.; стр. 303–308. [Перекрестная ссылка] Дики, Д.А.; Фуллер, В.А. Статистика отношения правдоподобия для авторегрессионных временных рядов с единичным корнем.Эконометрика1981 год, 49, 1057–1072. [ Перекрестная ссылка] Го, Т.; Бифет, А.; Антулов-Фантулин Н. Прогнозирование волатильности биткойнов с учетом ордеров на покупку и продажу. В материалах Международной конференции IEEE по интеллектуальному анализу данных (ICDM) 2018 г., Сингапур, 17–20 ноября 2018 г.; стр. 989–994. [Перекрестная ссылка] Чокор А.; Альфиери, Э. Долгосрочные и краткосрочные последствия регулирования на рынке криптовалют.Q. Преподобный Экон. Финанс.2021 год, 81, 157– 173. [Перекрестная ссылка] Танвар, С.; Патель, Н.П.; Патель, С.Н.; Патель, младший; Шарма, Г.; Дэвидсон, IE Схема прогнозирования цен криптовалюты на основе глубокого обучения с взаимозависимыми отношениями.IEEE-доступ2021 год,9, 138633–138646. [Перекрестная ссылка] Сонг, JY; Чанг, В.; Сонг, Дж. У. Кластерный анализ структуры рынка криптовалют с помощью фильтрации Биткойн – Эфириум. Физ. Стат. Мех. Это приложение.2019 год,527, 121339. [Перекрестная ссылка] Отказ от ответственности/Примечание издателя:Заявления, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно отдельному автору(ам) и соавторам(ам), а не MDPI и/или редактору(ам). MDPI и/или редактор(ы) не несут ответственности за любой вред людям или имуществу, возникший в результате любых идей, методов, инструкций или продуктов, упомянутых в контенте. жүктеу/скачать 301,5 Kb. Достарыңызбен бөлісу:
|