МЕТОДИ БАГАТОКРОКОВОГО МОДЕЛЮВАННЯ ЧАСОВИХ РЯДІВ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ

Як цитувати

Халецький , Б. (2021). МЕТОДИ БАГАТОКРОКОВОГО МОДЕЛЮВАННЯ ЧАСОВИХ РЯДІВ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ. Матеріали конференцій Молодіжної наукової ліги. вилучено із https://ojs.ukrlogos.in.ua/index.php/liga/article/view/11508

Посилання

Jrg D. Wichard. Forecasting the nn5 time series with hybrid models. International Journal of Forecasting, In Press, Corrected Proof:–, 2010. ISSN 0169-2070. doi: DOI:10.1016/j.ijforecast.2010.02.011.

Sorjamaa, J. Hao, N. Reyhani, Y. Ji, and A. Lendasse. Methodology for long-term prediction of time series. Neurocomputing, 70(16-18):2861–2869, October 2007. doi: 10.1016/j.neucom.2006.06.015.

S.B. Taieb, A. Sorjamaa, and G. Bontempi. Multiple-output modeling for multi-step-ahead time series forecasting. Neurocomputing, 73(10-12):1950 – 1957, 2010. ISSN 0925-2312. doi: DOI: 10.1016/ j.neucom. 2009.11.030. URL http://www.sciencedirect.com/science/article/B6V10-4YJ6GCW-4/2/ 8429b80db7773717c9d455b485fb7c4d. Subspace Learning / Selected papers from the European Symposium on Time Series Prediction.

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Завантаження

Дані завантаження ще не доступні.

| Переглядів: 28 | |