Готові списки джерел за темами / Multivariate time series forecasting

Зміст

  1. Статті в журналах

Добірка наукової літератури з теми "Multivariate time series forecasting"

Автор: Grafiati
Опубліковано: 10 травня 2022
Оновлено: 12 червня 2025

Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями

Оберіть тип джерела:

Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Multivariate time series forecasting".

Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.

Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.

Статті в журналах з теми "Multivariate time series forecasting"

1

Athanasopoulos, George, and Farshid Vahid. "Forecasting multivariate time series." International Journal of Forecasting 31, no. 3 (2015): 680–81. http://dx.doi.org/10.1016/j.ijforecast.2015.03.003.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
2

Wang, Miss Lei. "Advanced Multivariate Time Series Forecasting Models." Journal of Mathematics and Statistics 14, no. 1 (2018): 253–60. http://dx.doi.org/10.3844/jmssp.2018.253.260.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
3

Şişman-Yılmaz, N. Arzu, Ferda N. Alpaslan, and Lakhmi Jain. "ANFISunfoldedintime for multivariate time series forecasting." Neurocomputing 61 (October 2004): 139–68. http://dx.doi.org/10.1016/j.neucom.2004.03.009.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
4

Duan, Ziheng, Haoyan Xu, Yida Huang, Jie Feng, and Yueyang Wang. "Multivariate Time Series Forecasting with Transfer Entropy Graph." Tsinghua Science and Technology 28, no. 1 (2023): 141–49. http://dx.doi.org/10.26599/tst.2021.9010081.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
5

Shapovalova, Yuliya, Nalan Baştürk, and Michael Eichler. "Multivariate Count Data Models for Time Series Forecasting." Entropy 23, no. 6 (2021): 718. http://dx.doi.org/10.3390/e23060718.

Повний текст джерела
Анотація:
Count data appears in many research fields and exhibits certain features that make modeling difficult. Most popular approaches to modeling count data can be classified into observation and parameter-driven models. In this paper, we review two models from these classes: the log-linear multivariate conditional intensity model (also referred to as an integer-valued generalized autoregressive conditional heteroskedastic model) and the non-linear state-space model for count data. We compare these models in terms of forecasting performance on simulated data and two real datasets. In simulations, we consider the case of model misspecification. We find that both models have advantages in different situations, and we discuss the pros and cons of inference for both models in detail.
Стилі APA, Harvard, Vancouver, ISO та ін.
6

Yin, Yi, and Pengjian Shang. "Forecasting traffic time series with multivariate predicting method." Applied Mathematics and Computation 291 (December 2016): 266–78. http://dx.doi.org/10.1016/j.amc.2016.07.017.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
7

Thomakos, Dimitrios D., and Konstantinos Nikolopoulos. "Forecasting Multivariate Time Series with the Theta Method." Journal of Forecasting 34, no. 3 (2015): 220–29. http://dx.doi.org/10.1002/for.2334.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
8

Shih, Shun-Yao, Fan-Keng Sun, and Hung-yi Lee. "Temporal pattern attention for multivariate time series forecasting." Machine Learning 108, no. 8-9 (2019): 1421–41. http://dx.doi.org/10.1007/s10994-019-05815-0.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
9

Van Der Knoop, H. S. "Conditional forecasting with a multivariate time series model." Economics Letters 22, no. 2-3 (1986): 233–36. http://dx.doi.org/10.1016/0165-1765(86)90238-7.

Повний текст джерела
Стилі APA, Harvard, Vancouver, ISO та ін.
10

Ji, Xin, Haifeng Zhang, Jianfang Li, Xiaolong Zhao, Shouchao Li, and Rundong Chen. "Multivariate time series prediction of high dimensional data based on deep reinforcement learning." E3S Web of Conferences 256 (2021): 02038. http://dx.doi.org/10.1051/e3sconf/202125602038.

Повний текст джерела
Анотація:
In order to improve the prediction accuracy of high-dimensional data time series, a high-dimensional data multivariate time series prediction method based on deep reinforcement learning is proposed. The deep reinforcement learning method is used to solve the time delay of each variable and mine the data characteristics. According to the principle of maximum conditional entropy, the embedding dimension of the phase space is expanded, and a multivariate time series model of high-dimensional data is constructed. Thus, the conversion of reconstructed coordinates from low-dimensional to high-dimensional can be kept relatively stable. The strong independence and low redundancy of the final reconstructed phase space construct an effective model input vector for multivariate time series forecasting. Numerical experiments of classical multivariable chaotic time series show that the method proposed in this paper has better forecasting effect, which shows the forecasting effectiveness of this method.
Стилі APA, Harvard, Vancouver, ISO та ін.
Більше джерел
Також вас можуть зацікавити розширені добірки на тему "Multivariate time series forecasting" для конкретних типів джерел:
Статті в журналах
Ми пропонуємо знижки на всі преміум-плани для авторів, чиї праці увійшли до тематичних добірок літератури. Зв'яжіться з нами, щоб отримати унікальний промокод!

До бібліографії