.png){kind=icon}
返回
Robust and efficient time series data modeling using hybrid soft-optimization technique
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae19d3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统方法如ARIMA和Yule-Walker（YW）在参数优化不足和时间序列预测的非线性复杂性方面存在困难。所提出的混合建模框架将实数编码遗传算法（RCGA）与自回归（AR）过程在统一框架内结合，以利用RCGA的全局搜索能力和自回归模型的优点。采用Yule-Walker方法确定自回归阶数，然后RCGA通过降低均方根误差（RMSE）来优化该选择。相比之下，所提出的模型在R平方增量分别为2.15%和3.77%的指标上优于ARIMA和Yule-Walker衍生方案。尽管其在长短期记忆网络（LSTM）和Prophet配置上的改进较小，分别实现了2%和0.47%的提升，但所提出方法记录的均方误差（MSE）为0.0112，进一步凸显了其相对于竞争方法的优越性。结果表明，所提出的方法显著改善了参数估计和整体性能。诊断指标确认其在各种场景下具有更优的拟合度、鲁棒性和可靠性。这种软优化与随机技术的融合为时间序列预测指明了一个有前景的方向。
Keyword:
time-series forecasting
autoregressive model
real-coded genetic algorithm
hybrid modeling
parameter optimization
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
.png){kind=icon}
Time Series analysis with ARIMA for historical stock data and future projectionsHiba: 历史股票数据的时间序列分析，使用ARIMA进行未来预测
PREAI
分享收藏Recombinator-k-Means: An Evolutionary Algorithm That Exploits k-Means plus plus for Recombination重组器-k-means: 一种利用k-means + plus进行重组的进化算法
OAAI
OAAI分享收藏
查看更多内容