logo
calendar29 May 2024
view28
Основной язык:Узбекский

ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ ТЕМПЕРАТУРЫ ГИБРИДНЫМИ МОДЕЛЯМИ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-РАЗЛОЖЕНИЯ И НЕЙРОННОЙ СЕТИ

Область науки:
pdf

6656cec2b6653.pdf

PDF

Гидрометеорология и мониторинг окружающей среды

Гидрометеорология и мониторинг окружающей среды

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
В данном исследовании проанализировано влияние предобработки временных рядов на основе вейвлет-разложения в сочетании с нейронными сетями в целях прогноза рядов реконструированных температур. Рассмотрены подходы с использованием нескольких моделей и анализируются их прогностические возможности в гибридном сочетании. Вейвлет-преобразование используется, как инструмент подавления шумовой составляющей временного ряда температуры, а прогностическая модель строится на основе технологий Нейронных сетей и регрессионных методов прогноза временных рядов.

АВТОРЫ

M.Arushanov

Научно-исследовательский гидрометеорологический институт

A.Vdovenko

Центр гидрометеорологической службы Республики Узбекистан

X.Umerov

Научно-исследовательский гидрометеорологический институт

Теги

# 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.

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

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

DOI:

Недоступно

Список литературы

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.