مقاله جدیدی امروز با عنوان «تبدیل کانولوشن برای کاهش ابعاد کافی در سریهای زمانی» را که در مجله ژاپ…
انتشار: 2026/08/03 17:22 UTCدریافت: 2026/08/15 03:30 UTCآخرین مشاهده: 2026/08/15 03:30 UTC
مقاله جدیدی امروز با عنوان «تبدیل کانولوشن برای کاهش ابعاد کافی در سریهای زمانی» را که در مجله ژاپنی آمار و علوم داده (https://doi.org/10.1007/s42081-026-00364-y) منتشر کردیم که در لینک زیر به صورت رایگان قابل مطالعه است.https://rdcu.be/fxyohاین مقاله در مورد مدل های پیش بینی سری زمانی است.معمولا مجموعه دادههای سری زمانی اغلب شامل مشاهدات یا تأخیرهای گذشته زیادی هستند، اما تنها تعداد کمی از ترکیبات این تأخیرها ممکن است برای درک یا پیشبینی اتفاقات بعدی مهم باشند.در این مقاله، ما یک روش جدید کاهش ابعاد کافی مبتنی بر کانولوشن را معرفی میکنیم که اطلاعات تأخیرهای با ابعاد بالا را فشرده میکند و در عین حال مرتبطترین اطلاعات در مورد رفتار آینده سری را حفظ میکند.این کاهش ابعاد می تواند مدلهای واضحتر، سریعتر و قابل اعتمادتر در زمینههایی مانند امور مالی، اقتصاد، بیمه، بهداشت عمومی و پیشبینیهای زیستمحیطی و غیره تولید کند.از دیگر نویسندگان این مقاله از دانشگاه وست فلوریدا و دانشگاه ساوترن ایلینوی صمیمانه تشکر میکنم.لینکدین:https://www.linkedin.com/groups/12424311/

