Time Series Forecasting Based on Improved Multilinear Trend Fuzzy Information Granules for Convolutional Neural Networks
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
Although the construction of multilinear trend fuzzy information granules (FIG) achieves a win–win situation in terms of interpretability and trend extraction, in its second stage of segmentation, the equal-length segmentation will result in the loss of local trend. The granulation effect will further affect the forecasting performance of the time series. To this end, this article establishes a convolutional neural network (CNN) prediction method based on improved multilinear trend FIGs. First, considering the natural cycle characteristics of the time series, this article establishes a time series segmentation algorithm based on the valley points, which replaces the equal-length segmentation in the second stage of the construction of the multilinear trend FIGs, thus enhancing the interpretability of the granulation process. Later, an evaluation index of Gaussian fuzzy information granules (GLFIGs) is proposed for improving the trend extraction effect of each multilinear trend FIG. Since the multilinear trend FIGs are constructed in the natural period segment, in order to fully exploit the correlation of the corresponding positions of each granule to enhance the prediction accuracy, a GLFIG correspondence algorithm based on the segmentation and merging is introduced in this article. Finally, CNN is selected as the prediction model based on the data characteristics. We conduct experiments on six datasets and two artificial cycle datasets, and compare the constructed model with commonly used prediction models and the latest granularity model. At last, the experiments reveal that our model performs better.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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