Time Series forecasting using machine learning methods

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62156489%3A43110%2F09%3A00144532" target="_blank" >RIV/62156489:43110/09:00144532 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216305:26210/09:PU86182
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Time Series forecasting using machine learning methods
Popis výsledku v původním jazyce
In this paper we concentrate on prediction of future values based on the past course of that variable, traditionally these are solved using statistical analysis - first a time-series model is constructed and then statistical prediction algorithms are applied to it in order to obtain future values. This paper describes Radial Basis Functions (RBF) Neural Network and Two-level Grammatical Evolution. Both these methods are applied to solve prediction of simplified numerical time series. Sample dataset includes forty generated observations and the goal is to predict five future values.
Název v anglickém jazyce
Time Series forecasting using machine learning methods
Popis výsledku anglicky
In this paper we concentrate on prediction of future values based on the past course of that variable, traditionally these are solved using statistical analysis - first a time-series model is constructed and then statistical prediction algorithms are applied to it in order to obtain future values. This paper describes Radial Basis Functions (RBF) Neural Network and Two-level Grammatical Evolution. Both these methods are applied to solve prediction of simplified numerical time series. Sample dataset includes forty generated observations and the goal is to predict five future values.

Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—

Rok uplatnění
2009
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)