A novel modeling and prediction approach using Caputo derivative: An economical review via multi-deep assessment methodology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>In this study, we proposed a novel modeling and prediction method employing both fractional calculus and the multi-deep assessment methodology (M-DAM), utilizing multifactor analysis across the entire dataset from 2000 to 2019 for comprehensive data modeling and prediction. We evaluated and reported the performance of M-DAM by modeling various economic factors such as current account balance (% of gross domestic product (GDP)), exports of goods and services (% of GDP), GDP growth (annual %), gross domestic savings (% of GDP), gross fixed capital formation (% of GDP), imports of goods and services (% of GDP), inflation (consumer prices, annual %), overnight interbank rate, and unemployment (total). The dataset used in this study covered the years between 2000 and 2019. The Group of Eight (G-8) countries and Turkey were chosen as the experimental domain. Furthermore, to understand the validity of M-DAM, we compared the modeling performance with multiple linear regression (MLR) and the one-step prediction performance with a recurrent neural network, long short-term memory (LSTM), and MLR. The results showed that in 75.04% of the predictions, M-DAM predicted the factors with less than 10% error. For the order of predictability considering the years 2018 and 2019, Germany was the most predictable country; the second group consisted of Canada, France, the UK, and the USA; the third group included Italy and Japan; and the fourth group comprised Russia. The least predictable country was found to be Turkey. Comparison with LSTM and MLR showed that the three methods behave complementarily.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle