Time series forecasting is an impor

Time series forecasting is an important problem and attracts a lot of
research efforts recently due to its wide variety of real-life applications in
finance, power generation, medicine, water resource and environmental science.
One of the most popular techniques used in prediction is genetic algorithms
(GAs). However, within our knowledge, the other similar novel optimization
techniques such as simulated annealing algorithms (SAs), which are much
simpler, more efficient and more suitable than GAs in many cases, are not paid
attention. In this work, we combined simulated annealing and genetic
algorithms with a two-level learning algorithm to find models and parameters
for auto regressive moving-average (ARMA) - one of the most common time
series forecasting models. Our experiments, compared with conventional
forecasting methods such as ARIMA, ES and Meta-GAs on diverse datasets,
have shown very encouraging results, especially on trended and nonlinear time
series.

Kết quả (Việt) 1:

Thời gian loạt dự báo là một vấn đề quan trọng và thu hút rất nhiềunhững nỗ lực nghiên cứu mới do của nó nhiều các ứng dụng thực tế trongtài chính, phát điện, y học, nguồn nước và khoa học môi trường.Một trong các kỹ thuật phổ biến nhất được sử dụng trong dự báo là thuật toán di truyền(Khí). Tuy nhiên, trong vòng chúng tôi kiến thức, khác tương tự như tiểu thuyết tối ưu hóakỹ thuật chẳng hạn như mô phỏng tôi thuật toán (SAs), có nhiềuđơn giản, hiệu quả hơn và phù hợp hơn so với khí trong nhiều trường hợp, không trả tiềnsự chú ý. Trong tác phẩm này, chúng tôi kết hợp mô phỏng ủ và di truyềnCác thuật toán với một thuật toán học tập hai cấp độ để tìm mô hình và các thông sốcho tự động dần di chuyển trung bình (ARMA) - một trong những phổ biến thời gianloạt các mô hình dự báo. Các thí nghiệm của chúng tôi, so với thông thườngdự báo phương pháp như ARIMA, ES và Meta-khí trên datasets đa dạng,đã cho thấy kết quả rất đáng khích lệ, đặc biệt là vào thời gian trended và phi tuyếnloạt.

Kết quả (Việt) 2:

Loạt dự báo thời gian là một vấn đề quan trọng và thu hút rất nhiều
nỗ lực nghiên cứu gần đây do nhiều loại của các ứng dụng trong đời sống thực
tài chính, điện, y tế, tài nguyên nước và môi trường khoa học.
Một trong những kỹ thuật phổ biến nhất được sử dụng trong dự báo là di truyền các thuật toán
(GAS). Tuy nhiên, trong phạm vi kiến thức của chúng tôi, những cuốn tiểu thuyết khác tương tự tối ưu hóa
các kỹ thuật như các thuật toán mô phỏng ủ (SA), trong đó có nhiều
đơn giản hơn, hiệu quả hơn và phù hợp hơn so khí trong nhiều trường hợp, không được trả lương
tâm. Trong công trình này, chúng tôi kết hợp ủ mô phỏng và di truyền
các thuật toán với một thuật toán học hai cấp để tìm mô hình và các thông số
để tự động thoái lui di chuyển trung bình (ARMA) - một trong những thời gian phổ biến nhất
loạt mô hình dự báo. Thí nghiệm của chúng tôi, so với thông thường
phương pháp dự báo như ARIMA, ES và Meta-khí trên bộ dữ liệu đa dạng,
đã cho thấy kết quả rất đáng khích lệ, đặc biệt là về xu hướng và tuyến tính
series.