تخطى إلى المحتوى
العالِم العربي
  • الصفحة الرئيسية
  • مجالات الأبحاث
  • أحدث الأبحاث
  • عن الموقع
  • تواصل معنا
  1. الرئيسية
  2. قائمة الكلمات المفتاحية
  3. سلاسل زمنية

الأبحاث المرتبطة بالكلمة المفتاحية: سلاسل زمنية




  • TFB: نحو تقييم شامل وعادل لطرق التنبؤ بالسلاسل الزمنية

    2024 | المؤلف: Xiangfei Qiu وآخرون | المجلة: Proceedings of the VLDB Endowment | المجال: معالجة الإشارات (Signal Processing)

    تقدم البحث TFB، وهو معيار آلي لأساليب التنبؤ بالسلاسل الزمنية (TSF)، مصمم لتعزيز المقارنة التجريبية وتقييم تقنيات التنبؤ عبر مجالات متنوعة مثل المرور والطاقة والصحة والاقتصاد. يعالج TFB العيوب الحرجة في المعايير الحالية، بما في ذلك تغطية نطاق البيانات المحدودة، والتحيز ضد أساليب التنبؤ التقليدية، وعدم الاتساق في خطوط تقييم الأداء. من خلال دمج مجموعات…


  • التنقل في المشهد المالي: قوة وقيود نموذج ARIMA

    2024 | المؤلف: Jin Liu | المجلة: Highlights in Science Engineering and Technology | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    نموذج المتوسط المتحرك التكاملي الذاتي الانحدار (ARIMA) هو أداة إحصائية محورية لتحليل بيانات السلاسل الزمنية وعمل التنبؤات، خاصة في قطاع المالية. لقد أدى تطبيقه إلى تحقيق دقة في توقع أسعار الأسهم تتجاوز 70%، مما يساعد المتداولين والمستثمرين بشكل كبير. عند دمجه مع نماذج التباين الشرطي الذاتي العام (GARCH)، يمكن أن يقلل ARIMA من تقلب المحفظة…


  • نماذج التعلم العميق الهجينة لتوقعات سلسلة الزمن للطاقة الشمسية

    2024 | المؤلف: Diaa Salman وآخرون | المجلة: Neural Computing and Applications | المجال: الهندسة الكهربائية والإلكترونية (Electrical and Electronic Engineering)

    تستكشف ورقة البحث نماذج التعلم العميق الهجينة الجديدة للتنبؤ بإنتاج الطاقة الشمسية، مع التأكيد على أهمية التنبؤات الدقيقة لإدارة أنظمة الطاقة المتجددة. تقيم الدراسة مجموعات متنوعة من الشبكات العصبية التلافيفية (CNN) وذاكرة المدى الطويل والقصير (LSTM) ونماذج المحولات (TF)، مقارنة أدائها ضد النماذج الفردية باستخدام محسنات مختلفة. تكشف النتائج أن نموذج CNN-LSTM-TF الهجين، الذي تم…


  • التنبؤ بأسعار السلع الزراعية باستخدام إطار عمل البيانات الضخمة

    2024 | المؤلف: Humaira Rana وآخرون | المجلة: Engineering Technology & Applied Science Research | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    تستكشف هذه الورقة البحثية تطبيق إطار عمل البيانات الضخمة للتنبؤ بأسعار السلع الزراعية في باكستان، مع التركيز على أسعار السبانخ في مدينة فيهاري من 2007 إلى 2022. تستخدم الدراسة Apache Spark لمعالجة البيانات وتقوم بمقارنة أداء ثلاثة نماذج تعلم آلي: المتوسط المتحرك الانحداري الذاتي (ARIMA)، وغابة عشوائية، وذاكرة طويلة وقصيرة الأجل (LSTM). تشمل مقاييس التقييم…


  • GrowthPredict: صندوق أدوات ودليل تعليمي لتناسب وتوقع مسارات النمو باستخدام نماذج النمو الظاهراتية

    2024 | المؤلف: Gerardo Chowell وآخرون | المجلة: Scientific Reports | المجال: النمذجة والمحاكاة (Modeling and Simulation)

    يقدم هذا القسم نظرة عامة على GrowthPredict، وهو صندوق أدوات MATLAB مصمم للتنبؤ قصير المدى في الوقت الحقيقي لعمليات النمو، وخاصة في سياق نمذجة الأوبئة. هذه الأداة سهلة الاستخدام تستخدم نماذج نمو ديناميكية ظاهرة تعتمد على المعادلات التفاضلية العادية لتناسب وتنبؤ بيانات السلاسل الزمنية. وهي متاحة لجمهور متنوع، بما في ذلك الطلاب والباحثين في البيولوجيا…


  • نموذج دمج غير خطي معزز بواسطة GAN لتوقع أسعار الأسهم

    2024 | المؤلف: Yingcheng Xu وآخرون | المجلة: International Journal of Computational Intelligence Systems | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    تقدم ورقة البحث نهجًا جديدًا لتوقع أسعار الأسهم من خلال تطوير TSGAN، وهو نموذج تعلم عميق يدمج الشبكات التنافسية التوليدية (GANs) مع الشبكات العصبية التلافيفية (CNNs) ونموذج هجين يتكون من الشبكات العصبية التلافيفية المعتمدة على الانتباه (ACNN)، والذاكرة طويلة وقصيرة الأجل (LSTM)، ومتوسط الحركة التكاملي الذاتي الانحدار (ARIMA). تسلط الدراسة الضوء على التحديات التي تواجهها…


  • نموذج توقع السلاسل الزمنية لاستخراج أنماط السلاسل غير الثابتة باستخدام التعلم العميق ونمذجة GARCH

    2024 | المؤلف: Huimin Han وآخرون | المجلة: Journal of Cloud Computing Advances Systems and Applications | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    تقدم هذه الورقة نموذجًا هجينًا لتوقع السلاسل الزمنية يدمج بين التغاير الشرطي الذاتي العام (GARCH)، وتحليل النمط التجميعي الكامل مع الضوضاء التكيفية (CEEMDAN)، والشبكات العصبية التلافيفية (GCN). يعالج النموذج التعقيدات الكامنة في بيانات السلاسل الزمنية، مثل الاتجاهات وعدم الثبات، من خلال استخدام GARCH أولاً لتعلم التقلبات ثم تطبيق CEEMDAN لتفكيك البيانات بشكل فعال. تبسط هذه…


←السابق
1 … 4 5 6

حقوق النشر © 2026 العالِم العربي. جميع الحقوق محفوظة. موقع العالِم العربي غير مسؤول عن محتوى المواقع الخارجية.