Добірка наукової літератури з теми "Multivariate time series forecasting"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
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":
Athanasopoulos, George, and Farshid Vahid. "Forecasting multivariate time series." International Journal of Forecasting 31, no. 3 (July 2015): 680–81. http://dx.doi.org/10.1016/j.ijforecast.2015.03.003.
Wang, Miss Lei. "Advanced Multivariate Time Series Forecasting Models." Journal of Mathematics and Statistics 14, no. 1 (January 1, 2018): 253–60. http://dx.doi.org/10.3844/jmssp.2018.253.260.
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.
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 (February 2023): 141–49. http://dx.doi.org/10.26599/tst.2021.9010081.
Shapovalova, Yuliya, Nalan Baştürk, and Michael Eichler. "Multivariate Count Data Models for Time Series Forecasting." Entropy 23, no. 6 (June 5, 2021): 718. http://dx.doi.org/10.3390/e23060718.
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.
Thomakos, Dimitrios D., and Konstantinos Nikolopoulos. "Forecasting Multivariate Time Series with the Theta Method." Journal of Forecasting 34, no. 3 (February 26, 2015): 220–29. http://dx.doi.org/10.1002/for.2334.
Shih, Shun-Yao, Fan-Keng Sun, and Hung-yi Lee. "Temporal pattern attention for multivariate time series forecasting." Machine Learning 108, no. 8-9 (June 11, 2019): 1421–41. http://dx.doi.org/10.1007/s10994-019-05815-0.
Van Der Knoop, H. S. "Conditional forecasting with a multivariate time series model." Economics Letters 22, no. 2-3 (January 1986): 233–36. http://dx.doi.org/10.1016/0165-1765(86)90238-7.
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.
Дисертації з теми "Multivariate time series forecasting":
Qiang, Fu. "Bayesian multivariate time series models for forecasting European macroeconomic series." Thesis, University of Hull, 2000. http://hydra.hull.ac.uk/resources/hull:8068.
Katardjiev, Nikola. "High-variance multivariate time series forecasting using machine learning." Thesis, Uppsala universitet, Institutionen för informatik och media, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-353827.
Det finns flera verktyg och modeller inom maskininlärning som kan användas för att utföra tidsserieprognoser, men det är sällan tydligt vilken modell som är lämplig vid val, då olika modeller är anpassade för olika sorts data. Denna forskning har som mål att undersöka problemet genom att träna fyra modeller - support vector machine, random forest, ett neuralt nätverk, och ett LSTM-nätverk - på en flervariabelstidserie med hög varians för att förutse trendskillnader ett tidssteg framåt i tiden, kontrollerat för tidsfördröjning. Modellerna var tränade på klinisk prövningsdata från patienter som deltog i en alkoholberoendesbehandlingsplan av ett Uppsalabaserat företag. Resultatet visade vissa moderata prestandaskillnader, och en oro fanns att modellerna utförde en random walk-prognos. I analysen upptäcktes det dock att den ena neurala nätverksmodellen inte gjorde en sådan prognos, utan utförde istället meningsfulla prediktioner. Forskningen undersökte även effekten av optimiseringsprocesser genomatt jämföra en grid search, random search, och Bayesisk optimisering. I alla fall hittade grid search lägsta minimumpunkten, men dess långsamma körtider blev konsistent slagna av Bayesisk optimisering, som även presterade på nivå med grid search.
Lima, Diego Duarte. "A study of demand forecasting cashew trade in Cearà through multivariate time series." Universidade Federal do CearÃ, 2013. http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=12185.
The application of time series in varius areas such as engineering, logistics, operations research and economics, aims to provide the knowledge of the dependency between observations, trends, seasonality and forecasts. Considering the lack of effective supporting methods od logistics planning in the area of foreign trade, the multivariate models habe been presented and used in this work, in the area of time series: vector autoregression (VAR), vector autoregression moving-average (VARMA) and state-space integral equation (SS). These models were used for the analysis of demand forecast, the the bivariate series of value and volume of cashew nut exports from Cearà from 1996 to 2012. The results showed that the model state space was more successful in predicting the variables value and volume over the period that goes from january to march 2013, when compared to other models by the method of root mean squared error, getting the lowest values for those criteria.
A aplicaÃÃo de sÃries temporais em diversas Ãreas como engenharia, logÃstica, pesquisa operacional e economia, tem como objetivo o conhecimento da dependÃncia entre dados, suas possÃveis tendÃncias, sazonalidades e a previsÃo de dados futuros. Considerando a carÃncia de mÃtodos eficazes de suporte ao planejamento logÃstico na Ãrea de comÃrcio exterior, neste trabalho foram apresentados e utilizados os modelos multivariados, na Ãrea de sÃries temporais: auto-regressivo vetorial (VAR), auto-regressivomÃdias mÃveis vetorial (ARMAV) e espaÃo de estados (EES). Estes modelos foram empregados para a anÃlise de previsÃo de demanda, da sÃrie bivaria de valor e volume das exportaÃÃes cearenses de castanha de caju no perÃodo de 1996 à 2012. Os resultados mostraram que o modelo espaÃo de estados foi mais eficiente na previsÃo das variÃveis valor e volume ao longo do perÃodo janeiro à marÃo de 2013, quando comparado aos demais modelos pelo mÃtodo da raiz quadrada do erro mÃdio quadrÃtico, obtendo os menores valores para o referido critÃrio.
Larsson, Klara, and Freja Ling. "Time Series forecasting of the SP Global Clean Energy Index using a Multivariate LSTM." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-301904.
Den pågående klimatkrisen har tvingat allt fler länder till att vidta åtgärder, och FN:s globala hållbarhetsmål och Parisavtalet ökar intresset för förnyelsebar energi. Vidare lanserade EU-kommissionen den 21 april 2021 ett omfattande åtgärdspaket, med syftet att öka investeringar i hållbara verksamheter. Detta skapar i sin tur ett ökat intresse för investeringar i förnyelsebar energi och metoder för att förutspå aktiepriser för dessa bolag. Maskininlärningsmodeller har tidigare använts för tidsserieanalyser med goda resultat, men att förutspå aktieindex har visat sig svårt till stor del på grund av uppgiftens komplexitet och antalet variabler som påverkar börsen. Den här uppsatsen använder sig av maskininlärningsmodellen long short-term memory (LSTM) för att förutspå S&P:s Global Clean Energy Index. Syftet är att ta reda på hur träffsäkert en LSTM-modell kan förutspå detta index, och hur resultatet påverkas då modellen används med ytterligare variabler som korrelerar med indexet. De variabler som undersöks är priset på råolja, priset på guld, och ränta. Modeller för var variabel skapades, samt en modell med samtliga variabler och en med endast historisk data från indexet. Resultatet visar att den modell med den variabel som korrelerar starkast med indexet presterade bäst bland flervariabelmodellerna, men den modell som endast användes med historisk data från indexet gav det mest träffsäkra resultatet.
Saluja, Rohit. "Interpreting Multivariate Time Series for an Organization Health Platform." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-289465.
Maskininlärningsbaserade system blir snabbt populära eftersom man har insett att maskiner är effektivare än människor när det gäller att utföra vissa uppgifter. Även om maskininlärningsalgoritmer är extremt populära, är de också mycket bokstavliga. Detta har lett till en enorm forskningsökning inom området tolkbarhet i maskininlärning för att säkerställa att maskininlärningsmodeller är tillförlitliga, rättvisa och kan hållas ansvariga för deras beslutsprocess. Dessutom löser problemet i de flesta verkliga problem bara att göra förutsägelser med maskininlärningsalgoritmer bara delvis. Tidsserier är en av de mest populära och viktiga datatyperna på grund av dess dominerande närvaro inom affärsverksamhet, ekonomi och teknik. Trots detta är tolkningsförmågan i tidsserier fortfarande relativt outforskad jämfört med tabell-, text- och bilddata. Med den växande forskningen inom området tolkbarhet inom maskininlärning finns det också ett stort behov av att kunna kvantifiera kvaliteten på förklaringar som produceras efter tolkning av maskininlärningsmodeller. Av denna anledning är utvärdering av tolkbarhet extremt viktig. Utvärderingen av tolkbarhet för modeller som bygger på tidsserier verkar helt outforskad i forskarkretsar. Detta uppsatsarbete fokuserar på att uppnå och utvärdera agnostisk modelltolkbarhet i ett tidsserieprognosproblem. Fokus ligger i att hitta lösningen på ett problem som ett digitalt konsultföretag står inför som användningsfall. Det digitala konsultföretaget vill använda en datadriven metod för att förstå effekten av olika försäljningsrelaterade aktiviteter i företaget på de försäljningsavtal som företaget stänger. Lösningen innebar att inrama problemet som ett tidsserieprognosproblem för att förutsäga försäljningsavtalen och tolka den underliggande prognosmodellen. Tolkningsförmågan uppnåddes med hjälp av två nya tekniker för agnostisk tolkbarhet, lokala tolkbara modellagnostiska förklaringar (LIME) och Shapley additiva förklaringar (SHAP). Förklaringarna som producerats efter att ha uppnått tolkbarhet utvärderades med hjälp av mänsklig utvärdering av tolkbarhet. Resultaten av de mänskliga utvärderingsstudierna visar tydligt att de förklaringar som produceras av LIME och SHAP starkt hjälpte människor att förstå förutsägelserna från maskininlärningsmodellen. De mänskliga utvärderingsstudieresultaten visade också att LIME- och SHAP-förklaringar var nästan lika förståeliga med LIME som presterade bättre men med en mycket liten marginal. Arbetet som utförts under detta projekt kan enkelt utvidgas till alla tidsserieprognoser eller klassificeringsscenarier för att uppnå och utvärdera tolkbarhet. Dessutom kan detta arbete erbjuda en mycket bra ram för att uppnå och utvärdera tolkbarhet i alla maskininlärningsbaserade regressions- eller klassificeringsproblem.
Bäärnhielm, Arvid. "Multiple time-series forecasting on mobile network data using an RNN-RBM model." Thesis, Uppsala universitet, Datalogi, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-315782.
Noureldin, Diaa. "Essays on multivariate volatility and dependence models for financial time series." Thesis, University of Oxford, 2011. http://ora.ox.ac.uk/objects/uuid:fdf82d35-a5e7-4295-b7bf-c7009cad7b56.
Schwartz, Michael. "Optimized Forecasting of Dominant U.S. Stock Market Equities Using Univariate and Multivariate Time Series Analysis Methods." Chapman University Digital Commons, 2017. http://digitalcommons.chapman.edu/comp_science_theses/3.
Costantini, Mauro, Cuaresma Jesus Crespo, and Jaroslava Hlouskova. "Can Macroeconomists Get Rich Forecasting Exchange Rates?" WU Vienna University of Economics and Business, 2014. http://epub.wu.ac.at/4181/1/wp176.pdf.
Series: Department of Economics Working Paper Series
Oscar, Nordström. "Multivariate Short-term Electricity Load Forecasting with Deep Learning and exogenous covariates." Thesis, Umeå universitet, Institutionen för tillämpad fysik och elektronik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-183982.
Книги з теми "Multivariate time series forecasting":
Zahan, Rifat. Multivariate Time Series: Temperature Forecasting. Dhaka, Bangladesh: VDM Verlag Dr. Müller, 2011.
Kleinbaum, Robert M. Multivariate time series forecasts of market share. Cambridge, Mass: Marketing Science Institute, 1988.
Kleinbaum, Robert M. Multivariate time series forecasts of market share. Cambridge, MA: Marketing Science Institute, 1988.
Harvey, Andrew. Multivariate structural time series model. London: Suntory and ToyotaInternational Centres for Economics and Related Disciplines, 1996.
Chatfield, Christopher. Time-series forecasting. Boca Raton: Chapman & Hall/CRC, 2001.
Reinsel, Gregory C. Elements of multivariate time series analysis. 2nd ed. New York: Springer-Verlag, 1995.
Cromwell, Jeff, Michael Hannan, Walter Labys, and Michel Terraza. Multivariate Tests for Time Series Models. 2455 Teller Road, Thousand Oaks California 91320 United States of America: SAGE Publications, Inc., 1994. http://dx.doi.org/10.4135/9781412985239.
Reinsel, Gregory C. Elements of multivariate time series analysis. 2nd ed. New York: Springer, 1997.
Reinsel, Gregory C. Elements of Multivariate Time Series Analysis. New York, NY: Springer US, 1993. http://dx.doi.org/10.1007/978-1-4684-0198-1.
Reinsel, Gregory C. Elements of Multivariate Time Series Analysis. New York, NY: Springer New York, 1997. http://dx.doi.org/10.1007/978-1-4612-0679-8.
Частини книг з теми "Multivariate time series forecasting":
Moosa, Imad A. "Multivariate Time Series Models." In Exchange Rate Forecasting, 98–133. London: Palgrave Macmillan UK, 2000. http://dx.doi.org/10.1057/9780230379008_4.
Brockwell, Peter J., and Richard A. Davis. "Multivariate Time Series." In Introduction to Time Series and Forecasting, 227–57. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-29854-2_8.
Brockwell, Peter J., and Richard A. Davis. "Multivariate Time Series." In Introduction to Time Series and Forecasting, 217–50. New York, NY: Springer New York, 1996. http://dx.doi.org/10.1007/978-1-4757-2526-1_7.
Huang, Changquan, and Alla Petukhina. "Multivariate Time Series Analysis." In Applied Time Series Analysis and Forecasting with Python, 215–56. Cham: Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-13584-2_7.
Cao, Liangyue. "Nonlinear Modelling and Prediction of Multivariate Financial Time Series." In Modelling and Forecasting Financial Data, 199–211. Boston, MA: Springer US, 2002. http://dx.doi.org/10.1007/978-1-4615-0931-8_10.
Peña, Mauricio, Argimiro Arratia, and Lluís A. Belanche. "Multivariate Dynamic Kernels for Financial Time Series Forecasting." In Artificial Neural Networks and Machine Learning – ICANN 2016, 336–44. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-44781-0_40.
Bhanja, Samit, and Abhishek Das. "Deep Neural Network for Multivariate Time-Series Forecasting." In Advances in Intelligent Systems and Computing, 267–77. Singapore: Springer Singapore, 2020. http://dx.doi.org/10.1007/978-981-15-7834-2_25.
Wu, Berlin, and Yu-Yun Hsu. "On Multivariate Fuzzy Time Series Analysis and Forecasting." In Advances in Intelligent and Soft Computing, 363–72. Heidelberg: Physica-Verlag HD, 2002. http://dx.doi.org/10.1007/978-3-7908-1773-7_38.
Martelo, Sebastián, Diego León, and German Hernandez. "Multivariate Financial Time Series Forecasting with Deep Learning." In Communications in Computer and Information Science, 160–69. Cham: Springer Nature Switzerland, 2022. http://dx.doi.org/10.1007/978-3-031-20611-5_14.
Alkhatib, Hamza, Boris Kargoll, and Jens-André Paffenholz. "Further Results on a Robust Multivariate Time Series Analysis in Nonlinear Models with Autoregressive and t-Distributed Errors." In Time Series Analysis and Forecasting, 25–38. Cham: Springer International Publishing, 2018. http://dx.doi.org/10.1007/978-3-319-96944-2_3.
Тези доповідей конференцій з теми "Multivariate time series forecasting":
Bae, Juhee, and John Aoga. "Forecasting Migration Intention Using Multivariate Time Series." In ICVISP 2020: 2020 4th International Conference on Vision, Image and Signal Processing. New York, NY, USA: ACM, 2020. http://dx.doi.org/10.1145/3448823.3448883.
Wu, Wenrui, Tao Tao, Jing Shang, Ding Xiao, Chuan Shi, and Yong Jiang. "Sequence Attention for Multivariate Time Series Forecasting." In 2021 IEEE Sixth International Conference on Data Science in Cyberspace (DSC). IEEE, 2021. http://dx.doi.org/10.1109/dsc53577.2021.00019.
Xinwei Fan and Fengyuan Li. "Multivariate time series forecasting based on BP-SVR." In 2011 International Conference on Computer Science and Service System (CSSS). IEEE, 2011. http://dx.doi.org/10.1109/csss.2011.5974111.
Yin, Jiaming, Weixiong Rao, Mingxuan Yuan, Jia Zeng, Kai Zhao, Chenxi Zhang, Jiangfeng Li, and Qinpei Zhao. "Experimental Study of Multivariate Time Series Forecasting Models." In CIKM '19: The 28th ACM International Conference on Information and Knowledge Management. New York, NY, USA: ACM, 2019. http://dx.doi.org/10.1145/3357384.3357826.
Pang, Ning, Fengjing Yin, Xiaoyu Zhang, and Xiang Zhao. "A Robust Approach for Multivariate Time Series Forecasting." In SoICT 2017: The Eighth International Symposium on Information and Communication Technology. New York, NY, USA: ACM, 2017. http://dx.doi.org/10.1145/3155133.3155172.
Coutinho, Julio Ribeiro, Ricardo Tanscheit, Marley Vellasco, and Adriano Koshiyama. "AutoMFIS: Fuzzy Inference System for multivariate time series forecasting." In 2016 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). IEEE, 2016. http://dx.doi.org/10.1109/fuzz-ieee.2016.7737953.
Almuammar, Manal, and Maria Fasli. "Deep Learning for Non-stationary Multivariate Time Series Forecasting." In 2019 IEEE International Conference on Big Data (Big Data). IEEE, 2019. http://dx.doi.org/10.1109/bigdata47090.2019.9006192.
dos Santos, Matheus Cascalho, Frederico Gadelha Guimaraes, and Petronio Candido de Lima e Silva. "High-dimensional Multivariate Time Series Forecasting using Self-Organizing Maps and Fuzzy Time Series." In 2021 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). IEEE, 2021. http://dx.doi.org/10.1109/fuzz45933.2021.9494496.
Pan, Qingyi, Wenbo Hu, and Ning Chen. "Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series Forecasting." In Thirtieth International Joint Conference on Artificial Intelligence {IJCAI-21}. California: International Joint Conferences on Artificial Intelligence Organization, 2021. http://dx.doi.org/10.24963/ijcai.2021/397.
Avazov, Nurilla, Jiamou Liu, and Bakhadyr Khoussainov. "Periodic Neural Networks for Multivariate Time Series Analysis and Forecasting." In 2019 International Joint Conference on Neural Networks (IJCNN). IEEE, 2019. http://dx.doi.org/10.1109/ijcnn.2019.8851710.
Звіти організацій з теми "Multivariate time series forecasting":
Anderson, Theodore W. Time Series Analysis and Multivariate Statistical Analysis. Fort Belvoir, VA: Defense Technical Information Center, November 1988. http://dx.doi.org/10.21236/ada202273.
Anderson, Theodore W. Time Series Analysis and Multivariate Statistical Analysis. Fort Belvoir, VA: Defense Technical Information Center, September 1985. http://dx.doi.org/10.21236/ada161375.
McCracken, Michael W., and Tucker McElroy. Multi-Step Ahead Forecasting of Vector Time Series. Federal Reserve Bank of St. Louis, 2012. http://dx.doi.org/10.20955/wp.2012.060.
McDonnell, J. R., and D. E. Waagen. Evolving Cascade-Correlation Networks for Time-Series Forecasting. Fort Belvoir, VA: Defense Technical Information Center, October 1994. http://dx.doi.org/10.21236/ada289197.
Cook, Steve. Employability Skills: Time Series Forecasting at Swansea University. Bristol, UK: The Economics Network, October 2019. http://dx.doi.org/10.53593/n3243a.
Taro Ueki. A Multivariate Time Series Method for Monte Carlo Reactor Analysis. Office of Scientific and Technical Information (OSTI), August 2008. http://dx.doi.org/10.2172/935876.
Gafur, Jamil, and Katherine Candice Kempfert. Forecasting Dengue in Brazil with Time Series Modeling in Parallel. Office of Scientific and Technical Information (OSTI), August 2018. http://dx.doi.org/10.2172/1463575.
Osipov, Gennadij Sergeevich, Natella Semenovna Vashakidze, and Galina Viktorovna Filippova. Basics of forecasting financial time series based on NeuroXL Predictor. Постулат, 2017. http://dx.doi.org/10.18411/postulat-2017-7.
Hafer, R. W. Forecasting Economic Activity: Comparing the Accuracy of Survey and Time Series Predictions. Federal Reserve Bank of St. Louis, 1985. http://dx.doi.org/10.20955/wp.1985.012.
Hafer, R. W., and Scott E. Hein. Forecasting Inflation Using Interest Rate and Time-Series Models: Some International Evidence. Federal Reserve Bank of St. Louis, 1988. http://dx.doi.org/10.20955/wp.1988.001.