Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Fuzzy Logic Based UPFC Controller for Voltage Stability and Reactive Control of a Stand-Alone Hybrid System Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Time Series Forecasting Through a Dynamic Weighted Ensemble Approach

verfasst von : Ratnadip Adhikari, Ghanshyam Verma

Erschienen in: Proceedings of 3rd International Conference on Advanced Computing, Networking and Informatics

Verlag: Springer India

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Time series forecasting has crucial significance in almost every practical domain. From past few decades, there is an ever-increasing research interest on fruitfully combining forecasts from multiple models. The existing combination methods are mostly based on time-invariant combining weights. This paper proposes a dynamic ensemble approach that updates the weights after each new forecast. The weight of each component model is changed on the basis of its past and current forecasting performances. Empirical analysis with real time series shows that the proposed method has substantially improved the forecasting accuracy. In addition, it has also outperformed each component model as well as various existing static weighted ensemble schemes.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Rule Based Machine Translation: English to Malayalam: A Survey
Nächstes Kapitel A Novel Graph Clustering Algorithm Based on Structural Attribute Neighborhood Similarity (SANS)
Literatur
1.
Wu, S.F., Lee, S.J.: Employing local modeling in machine learning based methods for time-series prediction. Expert Syst. Appl. 42(1), 341–354 (2015)CrossRef
2.
Lemke, C., Gabrys, B.: Meta-learning for time series forecasting and forecast combination. Neurocomputing 73(10), 2006–2016 (2010)CrossRef
3.
de Gooijer, J.G., Hyndman, R.J.: 25 years of time series forecasting. Int. J. Forecast. 22(3), 443–473 (2006)CrossRef
4.
Gheyas, I.A., Smith, L.S.: A novel neural network ensemble architecture for time series forecasting. Neurocomputing 74(18), 3855–3864 (2011)CrossRef
5.
Clemen, R.T.: Combining forecasts: a review and annotated bibliography. Int. J. Forecast. 5(4), 559–583 (1989)CrossRef
6.
Andrawis, R.R., Atiya, A.F., El-Shishiny, H.: Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition. Int. J. Forecast. 27(3), 672–688 (2011)CrossRef
7.
De Menezes, L.M., Bunn, D.W., Taylor, J.W.: Review of guidelines for the use of combined forecasts. Eur. J. Oper. Res. 120(1), 190–204 (2000)MATHCrossRef
8.
Jose, V.R.R., Winkler, R.L.: Simple robust averages of forecasts: some empirical results. Int. J. Forecast. 24(1), 163–169 (2008)CrossRef
9.
Deutsch, M., Granger, C.W.J., Teräsvirta, T.: The combination of forecasts using changing weights. Int. J. Forecast. 10(1), 47–57 (1994)CrossRef
10.
Fiordaliso, A.: A nonlinear forecasts combination method based on Takagi-Sugeno fuzzy systems. Int. J. Forecast. 14(3), 367–379 (1998)CrossRef
11.
Zou, H., Yang, Y.: Combining time series models for forecasting. Int. J. Forecast. 20(1), 69–84 (2004)CrossRef
12.
Adhikari, R., Agrawal, R.K.: Performance evaluation of weights selection schemes for linear combination of multiple forecasts. Artif. Intell. Rev. 42(4), 1–20 (2012)
13.
Granger, C.W.J., Ramanathan, R.: Improved methods of combining forecasts. J. Forecast. 3(2), 197–204 (1984)CrossRef
14.
Bunn, D.W.: A Bayesian approach to the linear combination of forecasts. Oper. R. Q. 26(2), 325–329 (1975)MATHCrossRef
15.
Hamzaçebi, C.: Improving artificial neural networks’ performance in seasonal time series forecasting. Inf. Sci. 178(23), 4550–4559 (2008)CrossRef
16.
Golub, G.H., Van Loan, C.F.: Matrix computations, vol. 3, 3rd edn. The John Hopkins University Press, Baltimore, USA (2012)
17.
Zhang, G.P.: Time series forecasting using a hybrid arima and neural network model. Neurocomputing 50, 159–175 (2003)MATHCrossRef
18.
Box, G.E.P., Jenkins, G.M., Reinsel, G.C.: Time series analysis: forecasting and control. Prentice-Hall, Englewood Cliffs (1994)MATH
19.
Adhikari, R., Agrawal, R.K.: A combination of artificial neural network and random walk models for financial time series forecasting. Neural Comput. Appl. 24(6), 1441–1449 (2014)CrossRef
20.
Vapnik, V.: The Nature of Statistical Learning Theory. Springer-Verlag, New York (1995)MATHCrossRef
21.
Suykens, J.A.K., Vandewalle, J.: Least squares support vector machines classifiers. Neural Process. Lett. 9(3), 293–300 (1999)MathSciNetCrossRef
22.
Zhao, J., Zhu, X., Wang, W., Liu, Y.: Extended kalman filter-based elman networks for industrial time series prediction with GPU acceleration. Neurocomputing 118, 215–224 (2013)CrossRef
23.
Hamzaçebi, C., Akay, D., Kutay, F.: Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Syst. Appl. 36(2), 3839–3844 (2009)CrossRef
24.
Demuth, H., Beale, M., Hagan, M.: Neural Network Toolbox User’s Guide. The MathWorks, Natic (2010)
25.
Pelckmans, K., Suykens, J.A., Van Gestel, T., De Brabanter, J., Lukas, L., Hamers, B., De Moor, B., Vandewalle, J.: LS-SVMlab toolbox user’s guide. Pattern Recogn. Lett. 24, 659–675 (2003)CrossRef
26.
27.
28.
Metadaten
Titel
Time Series Forecasting Through a Dynamic Weighted Ensemble Approach
verfasst von
Ratnadip Adhikari
Ghanshyam Verma
Copyright-Jahr
2016
Verlag
Springer India
Buch
Proceedings of 3rd International Conference on Advanced Computing, Networking and Informatics

Print ISBN: 978-81-322-2537-9

Electronic ISBN: 978-81-322-2538-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-81-322-2538-6_47