2) uni-variant time series forecasting
单变量时间序列预测
1.
The coefficient sequences decomposed by this novel method possessed time-invariant capability and eliminated the data distortion phenomenon around right boundary, which made it feasible that the traditional forecasting models such as Neural Networks combining with wavelet transforms could apply to the uni-variant time series forecasting task.
使用该算法得到的系数序列,在具备时移不变性的同时,消除了右侧边界存在数据畸变的现象,使小波分析技术结合神经网络等传统预测模型的方法应用于单变量时间序列预测任务具备可行性。
3) time series variable
时间序列变量
1.
Aim at the problem of time series variable cannot be p re dicted exactly,a new prediction model was proposed in this paper.
针对时间序列变量难以精确预测的问题 ,本文将最近邻思想与径向基函数网络相融合 ,提出了一种新的预测方法 ,并将其应用于石油产量的预测 ,取得了良好的效
4) multivariate time series
多变量时间序列
1.
Nonlinear prediction of short-term electrical load on multivariate time series;
电力短期负荷的多变量时间序列预测方法研究
2.
Phase space reconstruction of complex systems based on multivariate time series;
多变量时间序列复杂系统的相空间重构
3.
Research of data mining method on multivariate time series;
多变量时间序列模式挖掘的研究
5) multivariate chaotic time series
多变量混沌时间序列
1.
Volterra adaptive real-time prediction of multivariate chaotic time series
多变量混沌时间序列Volterra自适应实时预测
2.
The methods to determine time delays and embedding dimensions in the phase space delay reconstruction of multivariate chaotic time series are proposed.
提出了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数的选取方法 ,给出了多变量混沌时间序列的局部平均预测法 ,局部线性预测法和BP神经网络预测法等 3种非线性预测方法 。
6) Multivariate Time Series Prediction
多变量时间序列预测
补充资料：离散时间周期序列的离散傅里叶级数表示
(1)
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条