logo
calendar29 May 2024
view26
Main language:Uzbek

PREDICTION OF THE TIME SERIES OF TEMPERATURE BY HYBRID MODELS USING WAVELET DECISION AND NEURAL NETWORK

Field of Science:
pdf

6656cec2b6653.pdf

PDF

Hydrometeorology and environmental monitoring

Hydrometeorology and environmental monitoring

Publish Articlesee more

ARTICLE ANNOTATION

quote
This study analyzes the impact of time series preprocessing based on wavelet decomposition in combination with neural networks in order to predict the reconstructed temperature series. Approaches using several models are considered and their predictive capabilities in a hybrid combination are analyzed. The wavelet transform is used as a tool for suppressing the noise component of the temperature time series, and the predictive model is built on the basis of Neural Network technologies and regression methods for forecasting time series.

AUTHORS

M.Arushanov

Научно-исследовательский гидрометеорологический институт

A.Vdovenko

Центр гидрометеорологической службы Республики Узбекистан

X.Umerov

Научно-исследовательский гидрометеорологический институт

Tags

# прогнозирование# прогнозлаш# forecasting# временные ряды# time series# нейронные сети# neural networks# нейрон тармоқлар# реконструированные температуры# вейвлет-разложение# гибридные модели.# вақт қаторлари# реконструкцияланган ҳароратлар# вейвлет-ёйиш# гибрид моделлар.# reconstructed temperatures# wavelet decomposition# hybrid models.

OTHER ARTICLES IN THIS JOURNAL

Rate Article

0
0 ratings
5
4
3
2
1

Article Identifiers

ROI:

https://eroi.uz/11.0191/A0524-0021

DOI:

Not Available

References

Алексеев В.И. Анализ и прогнозирование циклических временных рядов с использованием вейвлетов и нейросетевых нечетких правил вывода // Вестник Югорского госуниверситета, 2013. Вып. 3(30). – С. 3-10.

Арушанов М.Л. Практические вопросы использования вейвлет-преобразования в метеорологии. – Ташкент: НИГМИ, 2015. – 51 с.

Витязев В.П. Вейвлет-анализ временных рядов. – СПб.: СПУ. 2001. – 58 с.

Дьяконов В.П. Матлаб. – М.: ДМК. 2012. – 768 с.

Жмурко Д.Ю. Анализ данных сахарного подкомплекса АПК с применением вейвлет- преобразования (часть 2 – дискретные вейвлет преобразования) // Научный журнал КубГАУ, 2017. №130(06). – C. 12-19.

Канасевич Э.Р. Анализ временных последовательностей в геофизике. – М.: Недра, 1985. – 399 с.

Ли Г. Вейвлеты и оценка вейвлетов // Журнал экономической теории и эконометрики, 1998. №4(1). – С. 123-157.

Малла С. Вейвлеты в обработке сигналов. – М.: Мир, 2005. – 671 c.

Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. 2001. – 630 с.

Мещерская А.В., Руховец Л.В., Юдин М.И., Яковлева Н.И. Естественные составляющие метеорологических полей. – Л.: Гидрометеоиздат, 1970. – 199 с.

Росси Э. Одномерные GARCH-модели // Квантиль. 2004. №8. – 67 с.

Alexandridis A.K., Zapranis A.D. Wavelet neural networks: A practical guide // Neural Networks, 2013. №42. – С. 3–27.

Hantemirov R.M., Corona C., Guillet S., Shiyatov S.G., Stoffel M., Osborn T.J., Melvin T.M., Gorlanova L.A., Kukarskih V.V., Surkov A.Y., Arx G., Fonti P. Current Siberian heating is unprecedented during the past seven millennia // Nature Communications, 2022. No. 3. – РР. 3-10.

Jin J., Kim J. Forecasting Natural Gas Prices Using Wavelets, Time Series, and Artificial Neural Networks // PLoS ONE, 2015. 10(11). – РP. 11-21.

Rioul O., Vetterli M. Wavelets and Signal Processing // IEEE SP Magazine, 1991. No. 10. – PP. 14-38.

Rumaih A., Ejaz Ahmed R., Bakry S.H., Al Dhalaan A. A methodology for network topology design with link and node failure tolerances // International Journal of Network Management, 1996. No. 6(1). – РP. 42–63.