FCTA:閾値受容アプローチを用いた予測結合方法論【JST・京大機械翻訳】

Frausto-Solis Juan; Rodriguez-Moya Lemuel; Gonzalez-Barbosa Javier; Castilla-Valdez Guadalupe; Ponce-Flores Mirna

文献

J-GLOBAL ID：202202274718894892 整理番号：22A1169449

FCTA:閾値受容アプローチを用いた予測結合方法論【JST・京大機械翻訳】

FCTA: A Forecasting Combined Methodology with a Threshold Accepting Approach

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A1169449&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A1169449&from=J-GLOBAL&jstjournalNo=U7803A") }}

著者 (5件)： , , , ,
資料名：
巻： 2022 ページ： Null 発行年： 2022年
JST資料番号： U7803A ISSN： 1024-123X 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：イギリス (GBR) 言語：英語 (EN)

予測方法の組合せは,広範囲にわたる技術である。いくつかの個々の方法に対する最も一般的な技術はスコアリングである。これらのアンサンブル法は,いくつかの領域におけるハイブリッド予測時系列法の設計に有用である。しかし,より精密な応用が現代時間において必要であり,いくつかのランキングアプローチを用いたハイブリダイゼーションがこの問題を解決するために出現した。この技術の主な困難は,予測方法を組み合わせるための最も適切な方法を見つけることである。本研究では,いくつかの予測方法のアンサンブルのためのFCTA(閾値受容との組み合わせ法)という新しい方法論を提示した。この方法論は,個々の予測を重み付けするための閾値認識アルゴリズムを使用する。FCTAは,初期重みづけから始まり,大域的予測の精度を最適化することによって,個々の方法の最良の池を見つけることを目的とする。FCTAをテストするために,M4-Makridakis-競争から取られたデータセットを選択し,最良の個別予測法と比較した。FCTAも他の成功した方法論と比較した。実験は,FCTAが最良のM4個々の方法を超え,面積の最良の方法論と同等またはより良いことを示した。Copyright 2022 Juan Frausto-Solis et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ , その他のオペレーションズリサーチの手法

引用文献 (51件)：

S. Tofighy, A. A. Rahmanian, M. Ghobaei-Arani, "An ensemble CPU load prediction algorithm using a Bayesian information criterion and smooth filters in a cloud computing environment," Software: Practice and Experience, vol. 48, no. 12, pp. 2257-2277, 2018.
A. A. Rahmanian, M. Ghobaei-Arani, S. Tofighy, "A learning automata-based ensemble resource usage prediction algorithm for cloud computing environment," Future Generation Computer Systems, vol. 79, pp. 54-71, 2018.
S. F. Crone, M. Hibon, K. Nikolopoulos, "Advances in forecasting with neural networks? Empirical evidence from the NN3 competition on time series prediction," International Journal of Forecasting, vol. 27, no. 3, pp. 635-660, 2011.
J. J. Ruiz-Aguilar, I. Turias, J. González-Enrique, D. Urda, D. Elizondo, "A permutation entropy-based EMD-ANN forecasting ensemble approach for wind speed prediction," Neural Computing & Applications, vol. 33, no. 7, pp. 2369-2391, 2020.
A. N. Khan, N. Iqbal, R. Ahmad, D.-H. Kim, "Ensemble prediction approach based on learning to statistical model for efficient building energy consumption management," Symmetry, vol. 13, no. 3, pp. 1-26, 2021.

, , ,

前のページに戻る