.png){kind=icon}
返回
Data-driven time-varying discrete grey model for demand forecasting
.png){kind=icon}
PRE
AI
DOI：10.1080/01605682.2025.2450273.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
需求预测对商业领域的战略决策至关重要。然而，由于需求变化具有时变性，估计这些变化仍然具有挑战性。为解决这一问题，我们提出了一种新颖的通用方法，称为时变离散灰模型，并附带一种数据驱动的模型结构识别算法。具体而言，我们引入了一种通用模型形式，该形式包含多项式时变参数，以统一现有的离散灰模型。随后，我们讨论了重要性质，如无偏性和仿射变换。此外，我们开发了一种数据驱动算法，通过子集选择策略自适应地识别最优模型结构。为验证我们方法的有效性，我们进行蒙特卡罗模拟，以评估其对噪声的稳健性，并评估其在多步提前预测中的性能。最后，通过在来自美国州零售销售的真实数据集上的广泛实验，我们证明了我们的模型优于基准方法，包括统计模型和人工智能方法。我们提出的方法为商业领域的需求预测提供了一种有竞争力的替代方案。
Keyword:
Discrete grey model
time-varying parameters
polynomial approximation
demand forecasting
期刊
IF:
2.7
论文数:
449
被引数:
9.2K
机构
引用论文
Hybrid forecasting system based on an optimal model selection strategy for different wind speed forecasting problems.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Demand forecasting based on natural computing approaches applied to the foodstuff retail segment
PREAI
分享收藏Short-term electricity demand forecasting using autoregressive based time varying model incorporating representative data adjustmentAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏分享收藏
查看更多内容