CN104462793A - 时间序列实时预测方法及装置 - Google Patents
时间序列实时预测方法及装置 Download PDFInfo
- Publication number
- CN104462793A CN104462793A CN201410685796.9A CN201410685796A CN104462793A CN 104462793 A CN104462793 A CN 104462793A CN 201410685796 A CN201410685796 A CN 201410685796A CN 104462793 A CN104462793 A CN 104462793A
- Authority
- CN
- China
- Prior art keywords
- model
- time
- data
- prediction
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种时间序列实时预测方法及装置，其中方法包括：将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。本发明通过在纵向时间维度上建模，降低了各模型的复杂度。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及时间序列实时预测方法及装置。
背景技术
时间序列预测法是基于与时间顺序相关联的有序观测数据集，利用随机过程理论和数理统计学方法，研究数据集所遵从的统计规律，从而推测数据发展趋势，指导解决实际问题。时间序列预测法已广泛应用到工业、地址、生态、经济、气象、医学等领域。时间序列预测技术大体可分为：
1、传统的线性时间序列预测技术。1968年Box和Jenkins提出了一套比较完善的时间序列建模理论和分析方法。这些经典的数学方法通过建立随机模型，如自回归模型、自回归滑动平均模型、求和自回归滑动平均模型和季节调整模型等进行时间序列的预测。
2、非线性时间序列预测技术。这类方法主要采用嵌入空间法或神经网络等方法，特别是混沌时间序列预测和基于神经网络的时间序列预测。混沌时间序列预测是建立在Takens提出的嵌入定理和相空间重构理论基础上的，其目的是试图在高维相空间中恢复混沌吸引子。时间序列预测的神经网络模型包括模糊神经网络、径向基函数(RBF)网络、小波神经网络以及积单元神经网络等。
3、其他技术，如滑动窗口二次自回归模型、基于云模型的时间序列预测等。
目前常用的方法是基于机器学习算法的神经网络、决策树和支持向量机方法等预测器。
然而，现有的大部分时间序列预测算法为了得到较准确的预测结果，模型都比较复杂，模型的训练时间过长，影响模型的后续使用。并且，现有的大部分时间序列预测算法都需要大量训练数据，才能得到较准确的预测结果。此外，现有的大部分时间序列预测算法都只考虑了单一时间维度。
发明内容
本发明实施例提供一种时间序列实时预测方法，用以降低模型的复杂度，该方法包括：
将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；
在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。
一个实施例中，所述的方法还包括：
利用本周期已知的部分数据对所述基准值进行修正。
一个实施例中，所述的方法还包括：
在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值。
一个实施例中，各模型之间相互独立，具有分布性。
一个实施例中，所述时间序列实时预测方法应用于工业、地址、生态、经济、气象、医学领域的数据处理。
本发明实施例还提供一种时间序列实时预测装置，用以降低模型的复杂度，该装置包括：
模型训练模块，用于将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；
预测模块，用于在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。
一个实施例中，所述预测模块还用于：
利用本周期已知的部分数据对所述基准值进行修正。
一个实施例中，所述预测模块还用于：
在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值。
一个实施例中，所述模型训练模块具体用于建立相互独立且具有分布性的各模型。
一个实施例中，所述时间序列实时预测装置应用于工业、地址、生态、经济、气象、医学领域的数据处理。
本发明实施例中，将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，使用高斯模型对不同周期的同一时刻的差分值建模；在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值；从而通过在纵向时间维度上建模，降低了各模型的复杂度。
进一步的，利用本周期已知的部分数据对所述基准值进行修正，从而在预测时，综合考虑了两个时间维度，这样在降低训练时计算复杂度的同时，还保证了预测的精度；进一步的，各模型之间相互独立，具有分布性，能显著减少训练所需的时间，满足实时预测的要求；进一步的，在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值，能迅速地给出较准确的预测数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中时间序列实时预测方法的示意图；
图2为本发明实施例中进行模型训练的示意图；
图3为本发明实施例中进行预测的示意图；
图4为本发明实施例中时间序列实时预测装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例中时间序列实时预测方法的示意图。如图1所示，本发明实施例中时间序列实时预测方法可以包括：
步骤101、将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；
步骤102、在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。
由图1所示流程可以得知，本发明实施例在进行模型训练时，通过在纵向时间维度上建模，可以降低各模型的复杂度。具体的，传统时间序列预测算法是以连续时间变量为维度，建立一个模型，即y＝f(t,X)。其中t是时间，X是模型中除了时间之外的变量，y是t时刻的值。为了得到较好的预测效果，模型往往比较复杂。本发明实施例把一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型。例如：把一天按一分钟的粒度分成1440个区间，每一分钟建立一个模型。这种单维度多模型的建模方式降低了模型的复杂度。
实施例中各模型之间相互独立，具有分布性，这样，上述单维度多模型的建模方式和传统的单维度单模型相比还具有分布性的特点，能提高模型的更新速度，能显著减少训练所需的时间，满足实时预测的要求。
发明人经过大量实验发现，对不同周期的同一时刻的值做差分之后得到的数据基本满足高斯分布。因此在本发明实施例中使用高斯模型对不同周期的同一时刻的差分值建模。
图2为本发明实施例中进行模型训练的示意图。如图2所示，对历史数据，根据数据特性更新子模型(具体子模型)后，得到最终建立的模型。
具体实施时，本发明实施例在预测时会根据需要预测的时刻调用相应的模型并输出预测数据的基准值。基准值是用上一周期同时刻的数据加上对应模型的输出，即差分值。在基准值的基础上，利用本周期已知的部分数据对基准值进行修正，可以保证同一周期内数据的连续性。这样在预测时，综合考虑了两个时间维度，在降低训练时计算复杂度的同时，还保证了预测的精度。
实施例中，为了达到实时的要求，在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值。该热启动技术是在无模型能够被调用的情况下采用已知的历史数据来预测结果，虽然相对于有模型时输出的预测结果而言准确性有所降低，但可以满足实时要求，在无模型的情况下能迅速返回比较准确的预测值。
图3为本发明实施例中进行预测的示意图。如图3所示，当前已知数据在无模型时采用热启动技术，利用已知数据输出预测结果；在有模型时，输出基准值，经过修正后输出预测结果。
实施例中，上述时间序列实时预测方法可以应用于工业、地址、生态、经济、气象、医学等领域的数据处理。
基于同一发明构思，本发明实施例中还提供了一种时间序列实时预测装置，如下面的实施例所述。由于该装置解决问题的原理与时间序列实时预测方法相似，因此该装置的实施可以参见时间序列实时预测方法的实施，重复之处不再赘述。
图4为本发明实施例中时间序列实时预测装置的示意图。如图4所示，本发明实施例中时间序列实时预测装置可以包括：
模型训练模块401，用于将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；
预测模块402，用于在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。
具体实施时，预测模块402还可以用于：
利用本周期已知的部分数据对所述基准值进行修正。
具体实施时，预测模块402还可以用于：
在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值。
具体实施时，模型训练模块401具体可以用于建立相互独立且具有分布性的各模型。
具体实施时，上述时间序列实时预测装置可以应用于工业、地址、生态、经济、气象、医学等领域的数据处理。
综上所述，本发明实施例中，将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值；从而通过在纵向时间维度上建模，通过单维度多模型的方式降低了各模型的复杂度。
进一步的，利用本周期已知的部分数据对所述基准值进行修正，从而在预测时，综合考虑了两个时间维度，在对纵向时间维度建模的同时在横向时间维度上保持数据的连续性，这样在降低训练时计算复杂度的同时，还保证了预测的精度；进一步的，各模型之间相互独立，具有分布性，能显著减少训练所需的时间，满足实时预测的要求；进一步的，在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值，能迅速地给出较准确的预测数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种时间序列实时预测方法，其特征在于，包括：
将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；
在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。
2.如权利要求1所述的方法，其特征在于，还包括：
利用本周期已知的部分数据对所述基准值进行修正。
3.如权利要求1所述的方法，其特征在于，还包括：
在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值。
4.如权利要求1所述的方法，其特征在于，各模型之间相互独立，具有分布性。
5.如权利要求1至4任一项所述的方法，其特征在于，所述时间序列实时预测方法应用于工业、地址、生态、经济、气象、医学领域的数据处理。
6.一种时间序列实时预测装置，其特征在于，包括：
模型训练模块，用于将一个周期拆分成多个区间，以纵向时间为维度，针对每一个区间建立一个模型；其中，根据历史数据，使用高斯模型对不同周期的同一时刻的差分值建模；
预测模块，用于在预测时根据需要预测的时刻调用相应的模型并输出预测数据的基准值，所述基准值是用上一周期同一时刻的数据加上对应模型的输出所得的差分值。
7.如权利要求6所述的装置，其特征在于，所述预测模块还用于：
利用本周期已知的部分数据对所述基准值进行修正。
8.如权利要求6所述的装置，其特征在于，所述预测模块还用于：
在无模型能够被调用的情况下，采用热启动技术，根据历史数据输出预测值。
9.如权利要求6所述的装置，其特征在于，所述模型训练模块具体用于建立相互独立且具有分布性的各模型。
10.如权利要求6至9任一项所述的装置，其特征在于，所述时间序列实时预测装置应用于工业、地址、生态、经济、气象、医学领域的数据处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410685796.9A CN104462793A (zh) | 2014-11-25 | 2014-11-25 | 时间序列实时预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410685796.9A CN104462793A (zh) | 2014-11-25 | 2014-11-25 | 时间序列实时预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104462793A true CN104462793A (zh) | 2015-03-25 |
Family
ID=52908822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410685796.9A Pending CN104462793A (zh) | 2014-11-25 | 2014-11-25 | 时间序列实时预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104462793A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016161946A1 (zh) * | 2015-04-10 | 2016-10-13 | 王琨喆 | 时间序列预测方法与装置 |
| CN108846057A (zh) * | 2018-06-01 | 2018-11-20 | 山东师范大学 | 一种基于带状时变模糊信息粒的时间序列长期预测方法 |
| CN109104378A (zh) * | 2018-08-17 | 2018-12-28 | 四川新网银行股份有限公司 | 基于时间序列预测的智能令牌预回收方法 |
| US10169290B2 (en) | 2015-02-03 | 2019-01-01 | Huawei Technologies Co., Ltd. | Data processing method and apparatus |
| CN109740799A (zh) * | 2018-12-18 | 2019-05-10 | 平安科技（深圳）有限公司 | 预算数据生成方法、装置、计算机设备和存储介质 |
| CN109934374A (zh) * | 2017-12-18 | 2019-06-25 | 斗山重工业建设有限公司 | 耗电量预测系统及其方法 |
| CN110287086A (zh) * | 2019-07-03 | 2019-09-27 | 中国工商银行股份有限公司 | 一种周期性时间的交易量预测方法及装置 |
| CN110390342A (zh) * | 2018-04-16 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 时间序列预测方法和装置 |
| CN111625522A (zh) * | 2020-04-18 | 2020-09-04 | 青岛奥利普自动化控制系统有限公司 | 一种数据采集挖掘方法和设备 |
| CN111966721A (zh) * | 2019-05-20 | 2020-11-20 | 北京地平线机器人技术研发有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101494566A (zh) * | 2008-01-23 | 2009-07-29 | 华为技术有限公司 | 预测对等网络中对等体的继续在线时长的方法及装置 |
| CN102230969A (zh) * | 2011-03-22 | 2011-11-02 | 航天恒星科技有限公司 | 一种卫星星座星间链路的长时间自主维持方法 |
| CN102509177A (zh) * | 2011-11-11 | 2012-06-20 | 国网信息通信有限公司 | 一种基于云平台的局部加权线性回归预测运算的方法 |
| US20120278051A1 (en) * | 2011-04-29 | 2012-11-01 | International Business Machines Corporation | Anomaly detection, forecasting and root cause analysis of energy consumption for a portfolio of buildings using multi-step statistical modeling |
| CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
| CN104050079A (zh) * | 2014-05-27 | 2014-09-17 | 浪潮电子信息产业股份有限公司 | 一种基于时间自动机的实时系统测试方法 |
-
2014
- 2014-11-25 CN CN201410685796.9A patent/CN104462793A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101494566A (zh) * | 2008-01-23 | 2009-07-29 | 华为技术有限公司 | 预测对等网络中对等体的继续在线时长的方法及装置 |
| CN102230969A (zh) * | 2011-03-22 | 2011-11-02 | 航天恒星科技有限公司 | 一种卫星星座星间链路的长时间自主维持方法 |
| US20120278051A1 (en) * | 2011-04-29 | 2012-11-01 | International Business Machines Corporation | Anomaly detection, forecasting and root cause analysis of energy consumption for a portfolio of buildings using multi-step statistical modeling |
| CN102509177A (zh) * | 2011-11-11 | 2012-06-20 | 国网信息通信有限公司 | 一种基于云平台的局部加权线性回归预测运算的方法 |
| CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
| CN104050079A (zh) * | 2014-05-27 | 2014-09-17 | 浪潮电子信息产业股份有限公司 | 一种基于时间自动机的实时系统测试方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯社苗等: ""应用灰色-周期外延组合模型预测货运量"", 《铁路运输与经济》 * |
| 苏云鹏: ""利率期限结构理论、模型及应用研究"", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10169290B2 (en) | 2015-02-03 | 2019-01-01 | Huawei Technologies Co., Ltd. | Data processing method and apparatus |
| WO2016161946A1 (zh) * | 2015-04-10 | 2016-10-13 | 王琨喆 | 时间序列预测方法与装置 |
| CN106156465A (zh) * | 2015-04-10 | 2016-11-23 | 王琨喆 | 时间序列预测方法与装置 |
| CN106156465B (zh) * | 2015-04-10 | 2019-03-08 | 王琨喆 | 时间序列预测方法与装置 |
| CN109934374A (zh) * | 2017-12-18 | 2019-06-25 | 斗山重工业建设有限公司 | 耗电量预测系统及其方法 |
| CN110390342A (zh) * | 2018-04-16 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 时间序列预测方法和装置 |
| CN108846057A (zh) * | 2018-06-01 | 2018-11-20 | 山东师范大学 | 一种基于带状时变模糊信息粒的时间序列长期预测方法 |
| CN108846057B (zh) * | 2018-06-01 | 2021-02-23 | 山东师范大学 | 一种基于带状时变模糊信息粒的时间序列长期预测方法 |
| CN109104378B (zh) * | 2018-08-17 | 2019-08-20 | 四川新网银行股份有限公司 | 基于时间序列预测的智能令牌预回收方法 |
| CN109104378A (zh) * | 2018-08-17 | 2018-12-28 | 四川新网银行股份有限公司 | 基于时间序列预测的智能令牌预回收方法 |
| CN109740799A (zh) * | 2018-12-18 | 2019-05-10 | 平安科技（深圳）有限公司 | 预算数据生成方法、装置、计算机设备和存储介质 |
| CN109740799B (zh) * | 2018-12-18 | 2024-02-02 | 平安科技（深圳）有限公司 | 预算数据生成方法、装置、计算机设备和存储介质 |
| CN111966721A (zh) * | 2019-05-20 | 2020-11-20 | 北京地平线机器人技术研发有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
| CN111966721B (zh) * | 2019-05-20 | 2024-05-14 | 北京地平线机器人技术研发有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
| CN110287086A (zh) * | 2019-07-03 | 2019-09-27 | 中国工商银行股份有限公司 | 一种周期性时间的交易量预测方法及装置 |
| CN111625522A (zh) * | 2020-04-18 | 2020-09-04 | 青岛奥利普自动化控制系统有限公司 | 一种数据采集挖掘方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104462793A (zh) | 时间序列实时预测方法及装置 | |
| CN108053028A (zh) | 数据定点化处理方法、装置、电子设备及计算机存储介质 | |
| SG10201805974UA (en) | Neural network system and operating method of neural network system | |
| WO2017083399A3 (en) | Training neural networks represented as computational graphs | |
| CN109857804B (zh) | 一种分布式模型参数的搜索方法、装置和电子设备 | |
| CN105046044A (zh) | 基于最优小波包变换的非平稳风速预测方法 | |
| Shokry et al. | Sequential dynamic optimization of complex nonlinear processes based on kriging surrogate models | |
| CN112506663A (zh) | 基于去噪和误差修正的云服务器cpu负载预测方法、系统和介质 | |
| CN105335375A (zh) | 主题挖掘方法和装置 | |
| CN104063282A (zh) | IaaS云可变规模资源池管理方法、装置和服务器 | |
| Popkov | Optimal program control in the class of quadratic splines for linear systems | |
| Niu et al. | Short-term power load point prediction based on the sharp degree and chaotic RBF neural network | |
| CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
| CN108011366B (zh) | 一种配电网可控资源协调优化控制方法和装置 | |
| Yang et al. | Multi-step-ahead predictor design for effective long-term forecast of hydrological signals using a novel wavelet neural network hybrid model | |
| Ho et al. | DCA with successive DC decomposition for convex piecewise-linear fitting | |
| Xu et al. | A new svr incremental algorithm based on boundary vector | |
| Drąg et al. | Simulated annealing with constraints aggregation for control of the multistage processes | |
| Noeiaghdam et al. | Valid implementation of the fractional order model of energy supply-demand system | |
| Abdelkafi et al. | Comparison of two diversification methods to solve the quadratic assignment problem | |
| Orlov | Non-stationary time series forecasting on basis of analysis and prediction of forecasting models efficiency | |
| Wang et al. | A grey theory based back propagation neural network model for forecasting urban water consumption | |
| Grigorenko | A control problem with dominating uncertainty | |
| Hara et al. | Parallel model predictive control for constrained linear systems | |
| EP3629260A3 (en) | System and method for predicting contact center behavior |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20161028 Address after: 100088, No. 407, block A, 28 Xinjie street, Xinjie street, Beijing, Xicheng District Applicant after: Beijing victory Technology Co., Ltd. Address before: 100088, A, No. 406, Putian Desheng Road, 28 Xinjie street, Xicheng District, Beijing Applicant before: BEIJING SHUXUN TECHNOLOGY CO., LTD. |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150325 |
|
| RJ01 | Rejection of invention patent application after publication |