首页> 外文OA文献 >Comparative analysis of short-term demand predicting models using ARIMA and deep learning

【2h】

Comparative analysis of short-term demand predicting models using ARIMA and deep learning

机译：基于Arima和深度学习的短期需求预测模型的比较分析

代理获取

本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。

页面导航

著录项
引文网络
相似文献
相关主题

著录项

作者
Halima Bousqaoui; Ilham Slimani; Said Achchab;
展开▼
作者单位

展开▼
年度 2021
总页数
原文格式 PDF
正文语种
中图分类

相似文献

外文文献
中文文献
专利

1. Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia [J] . Mohanad S. Al-Musaylh, Ravinesh C. Deo, Jan F. Adamowski, Advanced engineering informatics . 2018,第JANa期

机译：使用汇总的需求数据在澳大利亚昆士兰州使用MARS，SVR和ARIMA模型进行短期电力需求预测
2. A robust combination approach for short-term wind speed forecasting and analysis - Combination of the ARIMA (Autoregressive Integrated Moving Average), ELM (Extreme Learning Machine), SVM (Support Vector Machine) and LSSVM (Least Square SVM) forecasts using a GPR (Gaussian Process Regression) model [J] . Wang Jianzhou, Hu Jianming Energy . 2015,第DECaPTa1期

机译：一种用于短期风速预测和分析的强大组合方法-使用GPR（ARIMA（自回归综合移动平均值），ELM（极限学习机），SVM（支持向量机）和LSSVM（最小二乘SVM）预测进行组合高斯过程回归模型
3. Deep learning with long short-term memory neural networks combining wavelet transform and principal component analysis for daily urban water demand forecasting [J] . Du Baigang, Zhou Qiliang, Guo Jun, Expert systems with applications . 2021,第Juna期

机译：长期短期记忆神经网络的深度学习与日本城市水需求预测的小波变换和主要成分分析相结合
4. Designing an optimized model to forecast short-term electricity demand based on ARIMA and Wavelet decomposition neural network: Composition of linear and non-linear model (A case study in Iran) [C] . Zolfaghari M., Besharatnia F., Behdad F. International Conference and Exhibition on Electricity Distribution . 2013

机译：基于ARIMA和小波分解神经网络设计预测短期电力需求的优化模型：线性和非线性模型的组合（以伊朗为例）
5. Multi-source Information Based Short-term Taxi Pick-up Demand Prediction Using Deep-learning Approaches [D] . Chen, Ziyan. 2020

机译：基于多源信息的短期出租车接送需求预测，使用深度学习方法
6. Comparative Analysis on Machine Learning and Deep Learning to Predict Post-Induction Hypotension [O] . Jihyun Lee, Jiyoung Woo, Ah Reum Kang, 2020

机译：机器学习与深度学习预测诱发后低血压的比较分析
7. Power Demand Forecasting using Long Short-Term Memory (LSTM) Deep-Learning Model for Monitoring Energy Sustainability [O] . Dong Keun Kim, Soohwan Cho, Eunjeong Choi 2020

机译：使用长短短期记忆（LSTM）深学习模型进行电力需求预测，用于监测能源可持续性

Comparative analysis of short-term demand predicting models using ARIMA and deep learning

著录项

引文网络

相似文献

相关主题

期刊订阅