XiaoMi-AI文件搜索系统
World File Search SystemArima
医疗保健中的人工智能：使用统计、神经和集成架构进行时间序列预测
文献中已经提出了统计和神经方法来预测医疗保健支出。然而，对比较这两种方法的预测以及医疗保健领域中的集合方法的关注更少。本文的主要目的是评估其预测某些止痛药每周平均支出的能力，以评估不同的统计，神经和集合技术。两个统计模型，持久性（基线）和自回归积分移动平均（ARIMA），一个多层感知器（MLP）模型，一个长期的短期内存（LSTM）模型以及结合ARIMA，MLP预测的集合模型和LSTM模型进行校准，以预测两种不同的止痛药的支出。在MLP和LSTM模型中，我们比较了训练数据的障碍和MLP和节点中某些节点的辍学的影响，并在训练过程中LSTMS中的LSTMS中的复发连接。结果表明，整体模型在两种止痛药中的持久性，Arima，MLP和LSTM模型都优于持久性。一般而言，不助长训练数据并添加辍学有助于MLP模型并助长了训练数据，而没有添加辍学帮助两种药物中的LSTM模型。我们强调了使用统计，神经和集合方法来预测医疗领域结果的时间序列。
使用先进的机器学习和合奏方法
摘要 - 这项研究采用一系列机器学习模型来预测摩洛哥的原油价格，包括线性回归，随机森林，支持向量回归（SVR），XGBoost，Arima，先知，先知和梯度提升。在其中，SVR以1.414的RMSE证明了最高精度。此外，评估了Arima和先知模型，分别产生2.46和1.41的RMS。合并模型结合了所有单个模型的预测，其RMSE为2.144，表明性能稳健。2024-2027的预测显示，原油价格的趋势上涨，SVR模型预测2027年的MAD 21.91，而整体模型预测14.47 MAD。这些发现强调了集合学习和先进的机器学习技术在产生可靠的经济预测中的有效性，为能源领域的利益相关者提供了宝贵的见解。
工程学位项目gatgpt for Time序列...
本文探讨了Openai的Chatgpt在时间序列预测中的应用，重点是财务数据。传统的预测方法，例如Holt-Winters和Arima，有时会在准确性上挣扎，尤其是在面对不规则模式时。与这些更传统的方法相比，本文研究了Chatgpt是否可以提高预测准确性。使用Fortnox的数据集，FortNox是一家专门从事财务管理软件的公司，使用GPT-4 Turbo Preview模型开发了原型，并将其与Holt-Winters和Arima进行了比较。此数据集包括来自包含来自不同帐户支出的公司的实际数据。结果表明，Chatgpt有可能预测未来趋势，但其性能不如传统方法。尽管如此，这项研究提供了对使用ChatGpt进行复杂时间序列预测任务的可行性的宝贵见解。
研究机器学习方法用于预测时间序列时的研究时，在戒严项目中做出管理决策viktor
摘要本文将强调现代世界中预测时间序列的重要性。该主题的相关性是基于组织和个人根据过去数据的分析来预测事件的条件。时间序列预测在IT项目的计划，风险管理和战略决策中起着至关重要的作用，使其成为现代分析和戒严管理的关键组成部分。还将详细讨论用于时间序列预测的机器学习方法的主题。将审查主要方法，包括指数平滑，Arima（自回旋的集成移动平均线）和一种混合方法，该方法结合了不同的方法以提高预测准确性。指数平滑是一种基于先前观察的加权平均值，是一种简单有效的方法。Arima反过来是一种经典的统计方法，将自动估计，集成和移动平均值与模型时间序列结合在一起。时间序列预测中的混合方法是两种或多种方法的组合，在这种情况下，包括一种改进的方法，具有依赖Mape的权重，从而使方法的权重根据其时间序列数据的性能而适应。文献综述涵盖了使用机器学习方法预测时间序列的相关科学作品。不同的方法，将讨论它们的优势和局限性，以提供对该领域现状的完整理解。使用实际数据和提出的方法，将进行预测。本文还将介绍时间序列预测方法的实际实施结果，包括指数平滑，Arima和混合方法。
蒙特利尔认知评估的心理测量特性v8.2。测试：试点研究
摘要。利率期货市场是金融市场的重要组成部分。它对全球金融市场的利率风险的预测具有至关重要的影响，这是由于金融市场的复杂性和利率期货的波动。基于机器学习方案以分析和比较不同的算法，本文通过回归和其他方法分析了2022.6-2023.6时期的两年期财政期货。同时，它应用于构造图表和图表，以更好地比较和分析模型，这些模型更适合预测利率期货的未来风险。国家政策，一般市场环境的波动及其平稳性被用作预测其风险波动的主要因素。主要算法本文的使用是：随机森林回归，Arima模型，BP神经网络回归模型，ARCH模型（模型有效性测试），GARCH模型。总而言之，尽管随机森林和Arima模型的预测结果接近0，并且具有强大的稳定性，但Garch的预测结果相对较好，但没有一个实现所需的预测性能。
基于人工智能的变电站计量系统异常值处理模块
摘要 — 电力公司获取的数据的主要问题之一是存在异常值，这会影响整个电力系统的测量数据库，从而破坏配电方案分析。这项工作提出了一个新模块来补充计量系统的测量结果。开发了一种基于模糊逻辑、人工神经网络和 ARIMA 模型的检测技术和三种异常值校正技术。第一种技术采用模糊方法，根据前 3 次测量的变化开发一个推理系统来确定未来的变化。在使用 ANN 开发的第二种算法中，使用具有 10 个先前样本的预测模型校正异常值。最后一种校正技术基于具有 96 个先前测量值的 ARIMA 模型。为了证明所开发方法的适用性，对巴西帕拉伊巴州的一个变电站进行了案例研究。三种异常值校正技术在所有测试场景中的平均相对误差均小于 5%。
心率预测的时间序列建模
摘要 —心血管疾病 (CVD) 是全球死亡的主要原因，需要精确的预测模型来监测心率、血压和心电图等生命体征。传统模型（如 ARIMA 和 Prophet）受到手动参数调整需求以及处理嘈杂、稀疏和高度可变的医疗数据的挑战的限制。本研究调查了先进的深度学习模型，包括 LSTM 和基于变压器的架构，用于预测来自 MIT-BIH 数据库的心率时间序列。结果表明，深度学习模型（尤其是 PatchTST）在多个指标上的表现明显优于传统模型，可以更有效地捕获复杂的模式和依赖关系。这项研究强调了深度学习在增强患者监测和 CVD 管理方面的潜力，表明其具有巨大的临床益处。未来的工作应该将这些发现扩展到更大、更多样化的数据集和现实世界的临床应用，以进一步验证和优化模型性能。索引词 —时间序列；ARIMA；LSTM；TimesNet；PatchTST；iTransformer
利用机器学习来增强最佳库存管理 - 案例：航空业Spart Parts
本文解决了全球航空平台面临的库存管理挑战。特别重点是案例公司GA Teleasis，这是一家全方位服务的空中维护和组件服务提供商。探索了优化库存水平的策略，包括根据历史用法，成本和汇总的发动机模型对项目进行分类，以识别关键项目并利用ABC/XYZ分析以及机器学习以进行库存管理。定量研究方法学通过机器学习模型进行了动作研究方法，该模型具有自回归的整体移动平均值（ARIMA），支持向量机器（SVM），线性回归（LR），毕业增强（GB），统计技术和统计技术，包括平均误差（ME），平均误差（ME），均值误差（ME），MASE绝对（RMSE），MME（MME），MME（MME），MME（MME）根据案件公司的IFS系统采购记录采购的基于数值数据的需求。此外，对关键人员的访谈还提供了对公司面临的现实世界挑战的见解，允许该研究提出专门针对解决这些问题的解决方案。这项研究的关键发现是Arima模型在需求预测中表现出卓越的性能，证实了现有文献并验证了其在航空部门中的有效性。
人工智能在财务分析和预测中的作用：使用数据和算法
该研究的重点是AI在银行业的应用。本研究还研究了其应用对预测的影响，特别是在金融市场和统计分析方面。它将试图分析涉及经济数据，股票价格和货币利率的众多财务方面。该研究采用基于机器学习原理等先进方法，例如梯度提升机，但它也使用了传统的统计方法，例如Arima模型和随机森林。这些不是人工智能技术，因为随机森林取决于从决策树和Arima模型中学习的整体学习，而在时间序列预测中使用的无需涉及鼻网络。这些集成通过将财务决策和提高预测准确性提高30％，并提高风险评估的准确性以及预测交易量的能力提高20％，从而提供了更好的结果。随着AI的进步，财务决策的准确性和简单性将大大提高。当人工智能（AI）进入图片时，银行业面临一些问题。这些问题包括隐私问题，机器偏见和不公平的问题。这项研究表达了这些研究人员，商人和政客都需要共同努力解决这些问题，以便通过公平和创造力地正确地使用AI。
对中国和美国股票市场的传统和机器学习方法的比较分析
Abstract —In the volatile and uncertain financial markets of the post-COVID-19 era, our study conducts a comparative analysis of traditional econometric models—specifically, the AutoRegressive Integrated Moving Average (ARIMA) and Holt's Linear Exponential Smoothing (Holt's LES)—against advanced machine learning techniques, including Support Vector Regression (SVR), Long Short-Term Memory (LSTM) networks, and Gated复发单位（GRU）。专注于标准普尔500指数和SSE指数的每日股票价格，该研究利用了一系列指标，例如R-squared，rmse，Mape和Mae来评估这些方法的预测准确性。这种方法使我们能够探索如何在大流行煽动的持续市场波动中捕获美国和中国等主要经济体的股票市场运动的复杂动态方面的票价。调查结果表明，虽然像Arima这样的传统模型在短期视野中表现出强烈的预测精度，但LSTM网络在捕获数据中捕获复杂的非线性模式方面表现出色，表现出优于更长的预测范围。这种细微的比较强调了每种模型的优势和局限性，LSTM的出现是最有效地导航大流行后金融市场的不可预测动态。我们的结果提供了对股票价格预测，帮助投资者，政策制定者和学者的预测方法的重要见解，以在持续的市场挑战中做出明智的决策。