Abstract: J. D. Wichard (2016)

Proceedings of the International Joint Conference on Neural Networks (IJCNN 2016), 1495–1498p. (2016) DOI:10.1109/IJCNN.2016.7727375

An adaptive forecasting strategy with hybrid ensemble models

We propose hybrid ensemble models for time series forecasting. A hybrid ensemble combines the output of several different models by a weighted mean that forms the final forecast. The final hybrid ensemble model consists of several individual models: A nearest neighbor/trajectory ensemble model, a feed-forward neural network ensemble, a trend cycle model, an autoregressive model and an ensemble model based on the returns of the time series. The best performing models with respect to a left-out part of the time series are selected by cross-validation and are combined by taking the inverse SMAPE prediction error as a weight for the combination of the respective single forecasts. We show the application of this approach in the WCCI 2016 CIF challenge.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.