CN116957639A - 基于arima算法自适应参数选择的方法及系统 - Google Patents
基于arima算法自适应参数选择的方法及系统 Download PDFInfo
- Publication number
- CN116957639A CN116957639A CN202310833598.1A CN202310833598A CN116957639A CN 116957639 A CN116957639 A CN 116957639A CN 202310833598 A CN202310833598 A CN 202310833598A CN 116957639 A CN116957639 A CN 116957639A
- Authority
- CN
- China
- Prior art keywords
- test
- data sequence
- data
- module
- carrying
- 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
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 title claims description 19
- 238000010187 selection method Methods 0.000 title claims description 7
- 238000012360 testing method Methods 0.000 claims abstract description 78
- 238000013112 stability test Methods 0.000 claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005311 autocorrelation function Methods 0.000 claims description 15
- 238000005314 correlation function Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims 2
- 238000013501 data transformation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于ARIMA算法自适应参数选择的方法及系统,收集历史数据,所述历史数据包含时间信息;将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;对填充长度后的数据序列进行平稳性检验;对于不满足平稳性要求的数据序列,进行数据转换;对通过平稳性检验的数据序列进行白噪声检验;对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型。通过本发明实现了自适应参数选择,解决了人工设置参数的准确性低以及处理效率低的问题。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于ARIMA算法自适应参数选择的方法及系统。
背景技术
专利文献CN115170191A公开了一种产品销量预测方法及系统,解决了符合时间序列的数据(产品销量)通过人工预测出现的准确性、效率和难度的问题。
然而,在预测模型的定参过程中,还是需要进行人工处理,导致预测模型的准确性低以及处理效率低。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于ARIMA算法自适应参数选择的方法及系统。
根据本发明提供的一种基于ARIMA算法自适应参数选择的方法,包括:
步骤1:收集历史数据,所述历史数据包含时间信息;
步骤2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;
步骤3:对填充长度后的数据序列进行平稳性检验;
步骤4:对于不满足平稳性要求的数据序列,进行数据转换并回到步骤3,对于满足平稳性要求的数据序列进入步骤5,对于依旧不满足平稳性要求的数据序列则终止处理;
步骤5:对通过平稳性检验的数据序列进行白噪声检验;
步骤6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型;
步骤7:将带预测的数据输入最终的预测模型,得到预测结果。
进一步的,所述步骤3包括:
步骤3.1:对填充长度后的数据序列进行首次平稳性检验;
步骤3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处理并进行再次平稳性检验,若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入步骤4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入步骤5。
进一步的,所述步骤4包括:
对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行步骤3的平稳性检验,若通过平稳性检验,则进入步骤5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
进一步的,所述数据转换包括对数转换、box-cox转换。
进一步的,所述步骤5包括:
对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF和偏相关函数PACF建立时序图,通过抽象两个函数图像,识别建立差分整合移动平均自回归模型ARIMA的参数:自回归项数p和滑动平均项数q;对不通过白噪声检验的数据序列终止处理流程。
根据本发明提供的一种基于ARIMA算法自适应参数选择的系统,包括:
模块M1:收集历史数据,所述历史数据包含时间信息;
模块M2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;
模块M3:对填充长度后的数据序列进行平稳性检验;
模块M4:对于不满足平稳性要求的数据序列,进行数据转换并回到模块M3,对于满足平稳性要求的数据序列进入模块M5,对于依旧不满足平稳性要求的数据序列则终止处理;
模块M5:对通过平稳性检验的数据序列进行白噪声检验;
模块M6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型;
模块M7:将带预测的数据输入最终的预测模型,得到预测结果。
进一步的,所述模块M3包括:
模块M3.1:对填充长度后的数据序列进行首次平稳性检验;
模块M3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处理并进行再次平稳性检验,若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入模块M4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入模块M5。
进一步的,所述模块M4包括:
对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行模块M3的平稳性检验,若通过平稳性检验,则进入模块M5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
进一步的,所述数据转换包括对数转换、box-cox转换。
进一步的,所述模块M5包括:
对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF和偏相关函数PACF建立时序图,通过抽象两个函数图像,识别建立差分整合移动平均自回归模型ARIMA的参数:自回归项数p和滑动平均项数q;对不通过白噪声检验的数据序列终止处理流程。
与现有技术相比,本发明具有如下的有益效果:
通过本发明实现了自适应参数选择,解决了人工设置参数的准确性低以及处理效率低的问题。
通过采用迭代循环的方式,解决了平稳性检验和差分阶数d的人工选择的问题。
通过采用对数据进行对数转换、box-cox转换的数据处理方式,解决了直接使用数据序列进行白噪声检验通过率不及预期的问题。
通过抽象自相关函数和偏相关函数的函数图像规律,建立程序判断标准,解决了人工确立自回归项数p、滑动平均项数q的效率局限性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的工作流程图;
图2为产品销量预测的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
如图1所示,本发明提供的一种基于ARIMA算法自适应参数选择的方法,包括:
步骤1:收集历史数据,历史数据包含时间信息。
步骤2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列。
步骤3:对填充长度后的数据序列进行平稳性检验。具体的,包括:步骤3.1:对填充长度后的数据序列进行首次平稳性检验;步骤3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处yt-yt-1理并进行再次平稳性检验,其中yt是t时刻的历史销量。若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入步骤4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入步骤5。
步骤4:对于不满足平稳性要求的数据序列,进行数据转换并回到步骤3,对于满足平稳性要求的数据序列进入步骤5,对于依旧不满足平稳性要求的数据序列则终止处理。数据转换包括对数转换、box-cox转换。具体的,对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行步骤3的平稳性检验,若通过平稳性检验,则进入步骤5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
步骤5:对通过平稳性检验的数据序列进行白噪声检验。具体的对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF(Auto CorrelationFunction)和偏相关函数PACF(Partial Correlation Function)建立时序图,通过抽象两个函数图像,识别建立ARIMA算法模型的参数:自回归项数p和滑动平均项数q。对不通过白噪声检验的数据序列终止处理流程。
步骤6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型。
步骤7:对最终的预测模型进行参数显著性检验和残差分析。
步骤8:将带预测的数据输入最终的预测模型,得到预测结果。
实施例2
本发明还提供一种基于ARIMA算法自适应参数选择系统,所述基于ARIMA算法自适应参数选择系统可以通过执行所述基于ARIMA算法自适应参数选择方法的流程步骤予以实现,即本领域技术人员可以将所述基于ARIMA算法自适应参数选择方法理解为所述基于ARIMA算法自适应参数选择系统的优选实施方式。所述基于ARIMA算法自适应参数选择系统包括:
模块M1:收集历史数据,历史数据包含时间信息。
模块M2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列。
模块M3:对填充长度后的数据序列进行平稳性检验。具体的,包括:模块M3.1:对填充长度后的数据序列进行首次平稳性检验;模块M3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处yt-yt-1理并进行再次平稳性检验,其中yt是t时刻的历史销量。若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入模块M4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入模块M5。
模块M4:对于不满足平稳性要求的数据序列,进行数据转换并回到模块M3,对于满足平稳性要求的数据序列进入模块M5,对于依旧不满足平稳性要求的数据序列则终止处理。数据转换包括对数转换、box-cox转换。具体的,对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行模块M3的平稳性检验,若通过平稳性检验,则进入模块M5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
模块M5:对通过平稳性检验的数据序列进行白噪声检验。具体的对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF(Auto CorrelationFunction)和偏相关函数PACF(Partial Correlation Function)建立时序图,通过抽象两个函数图像,识别建立ARIMA算法模型的参数:自回归项数p和滑动平均项数q。对不通过白噪声检验的数据序列终止处理流程。
模块M6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型。
模块M7:将带预测的数据输入最终的预测模型,得到预测结果。
实施例3
如图2所示,以产品销量预测场景为例,其预测步骤包括:
步骤S1:获取产品历史销量数据;表1为一实施例的历史销量数据,展示了部分商品最近12个月的历史销量。
表1历史销量数据
步骤S2:调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差(RMSE)。RMSE的计算方式为:将历史销量数据按照时间段划分为两部分(比如第一部分为按照自然月的12个月前至9个月前的历史销量数据,第二部分为最近的3个月的历史销量数据),调用算法并使用第一部分参与计算,得到预测结果,并使预测结果的时间范围与第二部分的时间范围相同(比如使用12个月前至9个月前的历史销量数据预测出最近3个月的销量);
使用上述预测结果及第二部分销量数据计算RMSE;其计算方法为:
其中,为销量预测值;yi为对应月份的历史销量;n为时间跨度(比如,比较最近3个月的销量预测值与真实销量,则n=3)。
步骤S3:通过将每种算法的预测结果存储到数据库(如MySQL),再通过SQL结构化查询语言将各个结果进行聚合,并挑选RMSE最小的值作为结果,该步骤为计算机程序定时自动运行。
预测算法的差分整合移动平均自回归模型ARIMA采用实施例1所述的方法构建,或者采用实施例2所述的模型。
差分整合移动平均自回归模型,其计算公式为:
其中,p为自回归项数,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数),L是滞后算子,φi是自回归系数,Xt是t时刻的历史销量,θi是滑动平均项数,εt是t时刻与真实值的误差。ARIMA模型对于季节性,周期性变化较弱的商品销量预测效果较好。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于ARIMA算法自适应参数选择的方法,其特征在于,包括:
步骤1:收集历史数据,所述历史数据包含时间信息;
步骤2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;
步骤3:对填充长度后的数据序列进行平稳性检验;
步骤4:对于不满足平稳性要求的数据序列,进行数据转换并回到步骤3,对于满足平稳性要求的数据序列进入步骤5,对于依旧不满足平稳性要求的数据序列则终止处理;
步骤5:对通过平稳性检验的数据序列进行白噪声检验;
步骤6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型;
步骤7:将带预测的数据输入最终的预测模型,得到预测结果。
2.根据权利要求1所述的基于ARIMA算法自适应参数选择的方法,其特征在于,所述步骤3包括:
步骤3.1:对填充长度后的数据序列进行首次平稳性检验;
步骤3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处理并进行再次平稳性检验,若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入步骤4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入步骤5。
3.根据权利要求2所述的基于ARIMA算法自适应参数选择的方法,其特征在于,所述步骤4包括:
对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行步骤3的平稳性检验,若通过平稳性检验,则进入步骤5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
4.根据权利要求3所述的基于ARIMA算法自适应参数选择的方法,其特征在于,所述数据转换包括对数转换、box-cox转换。
5.根据权利要求2所述的基于ARIMA算法自适应参数选择的方法,其特征在于,所述步骤5包括:
对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF和偏相关函数PACF建立时序图,通过抽象两个函数图像,识别建立差分整合移动平均自回归模型ARIMA的参数:自回归项数p和滑动平均项数q;对不通过白噪声检验的数据序列终止处理流程。
6.一种基于ARIMA算法自适应参数选择的系统,其特征在于,包括:
模块M1:收集历史数据,所述历史数据包含时间信息;
模块M2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;
模块M3:对填充长度后的数据序列进行平稳性检验;
模块M4:对于不满足平稳性要求的数据序列,进行数据转换并回到模块M3,对于满足平稳性要求的数据序列进入模块M5,对于依旧不满足平稳性要求的数据序列则终止处理;
模块M5:对通过平稳性检验的数据序列进行白噪声检验;
模块M6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算,得到最终的预测模型;
模块7:将带预测的数据输入最终的预测模型,得到预测结果。
7.根据权利要求1所述的基于ARIMA算法自适应参数选择的系统,其特征在于,所述模块M3包括:
模块M3.1:对填充长度后的数据序列进行首次平稳性检验;
模块M3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处理并进行再次平稳性检验,若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入模块M4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入模块M5。
8.根据权利要求7所述的基于ARIMA算法自适应参数选择的系统,其特征在于,所述模块M4包括:
对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行模块M3的平稳性检验,若通过平稳性检验,则进入模块M5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
9.根据权利要求8所述的基于ARIMA算法自适应参数选择的系统,其特征在于,所述数据转换包括对数转换、box-cox转换。
10.根据权利要求7所述的基于ARIMA算法自适应参数选择的系统,其特征在于,所述模块M5包括:
对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF和偏相关函数PACF建立时序图,通过抽象两个函数图像,识别建立差分整合移动平均自回归模型ARIMA的参数:自回归项数p和滑动平均项数q;对不通过白噪声检验的数据序列终止处理流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833598.1A CN116957639A (zh) | 2023-07-07 | 2023-07-07 | 基于arima算法自适应参数选择的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833598.1A CN116957639A (zh) | 2023-07-07 | 2023-07-07 | 基于arima算法自适应参数选择的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957639A true CN116957639A (zh) | 2023-10-27 |
Family
ID=88455828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310833598.1A Pending CN116957639A (zh) | 2023-07-07 | 2023-07-07 | 基于arima算法自适应参数选择的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957639A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
-
2023
- 2023-07-07 CN CN202310833598.1A patent/CN116957639A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
CN117666462B (zh) * | 2024-01-31 | 2024-05-17 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hewamalage et al. | Global models for time series forecasting: A simulation study | |
Lu et al. | On neural architecture search for resource-constrained hardware platforms | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
US9047559B2 (en) | Computer-implemented systems and methods for testing large scale automatic forecast combinations | |
CN105786860B (zh) | 一种数据建模中的数据处理方法及装置 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
US20130024167A1 (en) | Computer-Implemented Systems And Methods For Large Scale Automatic Forecast Combinations | |
CN106651089A (zh) | 生产调度问题的分布集鲁棒模型的建模及优化求解方法 | |
CN110136842A (zh) | 急性传染病的发病预测方法、装置及计算机可读存储介质 | |
CN112639833A (zh) | 可自适应神经网络 | |
CN116957639A (zh) | 基于arima算法自适应参数选择的方法及系统 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
EP1672578A1 (en) | Method and system for analyzing the risk of a project | |
CN115130584A (zh) | 时间序列预测方法、装置、设备及存储介质 | |
CN116957640A (zh) | 产品销量预测方法及系统 | |
CN117150237A (zh) | 时序数据预测方法、装置、设备及计算机可读存储介质 | |
CN117435489A (zh) | 基于需求文档自动分析软件功能点方法及系统 | |
CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
CN105354644A (zh) | 一种基于集成经验模态分解和1-范数支持向量机分位数回归的金融时间序列预测方法 | |
Wati et al. | Autoregressive Integrated Moving Average (ARIMA) Model for Forecasting Indonsesian Crude Oil Price | |
CN117035155A (zh) | 一种水质预测方法 | |
CN111445006A (zh) | 开源社区中开发者代码提交次数的预测方法及系统 | |
Minaev et al. | Fuzzy mathematics with limited possibilities for assigning membership functions | |
Fang | Prediction and analysis of regional economic income multiplication capability based on fractional accumulation and integral model | |
CN111429979A (zh) | 一种基于支持向量机分位数回归的钢材力学性能预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |