Long-Term Prediction Model for Fuzzy Granular Time Series Based on Trend Filter Decomposition and Ensemble Learning
Notice bibliographique
Résumé
In the realm of control theory, the complex task of long-term time series prediction has been profoundly transformed by the confluence of advancements in computer technology and machine learning. However, the application of fuzzy information granularity remains a significant challenge, primarily due to the potential for substantial data distortion. To address this limitation, we propose an innovative long-term prediction model based on granularity time series, which integrates $l_{1}$ -trend filter decomposition and integrated learning. The core of our model lies in a novel modal decomposition method that utilizes $l_{1}$ -trend filters and a validity function to meticulously extract valuable insights from the original time series, thereby enhancing the precision of data analysis while preserving the integrity of the original data. Furthermore, we introduce a groundbreaking formula to measure the similarity of fuzzy information granularity, classifying time series components into three distinct categories: trend, period, and noise. By applying distinct prediction strategies to each category, we construct an integrated learning model that leverages the strengths of each component. At the heart of our model is a multilinear information granularity prediction approach, which is based on trend time windows and utilizes the newly developed similarity measure. This method not only maintains the integrity of the original time series but also offers a more accurate representation of the similarity between information grains. Empirical results from publicly available datasets validate the superior performance of our proposed prediction model, demonstrating its potential to significantly enhance long-term time series prediction accuracy.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».