您当前的位置:
首页 >
文章列表页 >
域信息自增极端随机树模型应用于时序数据预测
更新时间:2024-03-26
    • 域信息自增极端随机树模型应用于时序数据预测

    • Domain Information Self-Augmenting Extreme Random Tree Model Applied to Time Series Data Prediction

    • 最新研究报道,时序数据预测在多个方面展现重要价值,但其复杂性常导致预测精度受限。为解决这一问题,专家提出了基于域信息自增极端随机树模型的预测方法。该方法通过时序平移器和特征分解模块提升预测精度,并利用生成对抗网络捕捉静态与时空特征。以突发公共卫生事件为例,该方法在预测美国部分州的新增确诊人数上表现卓越,为时序数据预测提供了新的有效工具。
    • 武汉大学学报(理学版)   2024年 页码:1-13
    • DOI:10.14188/j.1671-8836.2023.0183    

      中图分类号: TP399
    • 网络出版日期:2024-03-26

      收稿日期:2023-08-31

    扫 描 看 全 文

  • 周禹宣,黄勃,虞益军, 等.域信息自增极端随机树模型应用于时序数据预测[J].武汉大学学报(理学版),XXXX,XX(XX):1-13. DOI:10.14188/j.1671-8836.2023.0183. DOI:

    ZHOU Yuxuan,HUANG Bo,YU Yijun,et al.Domain Information Self-Augmenting Extreme Random Tree Model Applied to Time Series Data Prediction [J].J Wuhan Univ (Nat Sci Ed),XXXX,XX(XX):1-13. DOI:10.14188/j.1671-8836.2023.0183(Ch). DOI:

  •  
  •  

0

浏览量

12

下载量

0

CSCD

文章被引用时,请邮件提醒。
提交
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

端到端优化的3D点云几何信息有损压缩模型
生成对抗网络在图像隐写中的应用

相关作者

周恒
高永彬
黄勃
方志军
徐嘉诚
柯彦
张敏情
杨晓元

相关机构

上海工程技术大学,电子电气工程学院
武警工程大学 密码工程学院
批量引用
0