TWI419070B - 相關性變數篩選系統及其篩選方法 - Google Patents

相關性變數篩選系統及其篩選方法 Download PDF

Info

Publication number
TWI419070B
TWI419070B TW100101027A TW100101027A TWI419070B TW I419070 B TWI419070 B TW I419070B TW 100101027 A TW100101027 A TW 100101027A TW 100101027 A TW100101027 A TW 100101027A TW I419070 B TWI419070 B TW I419070B
Authority
TW
Taiwan
Prior art keywords
module
screening
variables
value
correlation
Prior art date
Application number
TW100101027A
Other languages
English (en)
Other versions
TW201229946A (en
Inventor
Tsung Jung Hsieh
Wei Chang Yeh
Original Assignee
Nat Univ Tsing Hua
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nat Univ Tsing Hua filed Critical Nat Univ Tsing Hua
Priority to TW100101027A priority Critical patent/TWI419070B/zh
Priority to US13/075,285 priority patent/US8706670B2/en
Publication of TW201229946A publication Critical patent/TW201229946A/zh
Application granted granted Critical
Publication of TWI419070B publication Critical patent/TWI419070B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

相關性變數篩選系統及其篩選方法
本發明是有關於一種相關性變數篩選系統及其篩選方法，特別是有關於一種可有效篩選相關性變數之相關性變數篩選系統及其篩選方法。
由於近年來各國經濟成長以及股市的蓬勃發展，股票價格預測成為一個重要的課題，對公司而言，準確的股票價格預測可被應用在銀行、証券或投信投顧公司，以作更有效率的投資規劃，創造高額獲利。而對於一般投資人而言，也可以藉由準確的股票價格預測方法得知股票價格走勢並減低投資的風險。
傳統的股票價格預測除了技術分析及基本分析之外，近年興起熱門的預測方法為類神經網路的預測模型，許多研究指出以類神經網路作為股票價格模型具有相對準確的預測效能，但由於缺乏完整的網路架構及參數挑選機制，使得類神經網路模型在股票價格預測上有一定的限制，降低了它在現實中的實用性。
影響股票價格的因素非常多，且變數之間也存在相互的關連性，使得篩選最能影響股票價格的因素作為類神經網路模型的參數成為正確預測股票價格的一個重要的指標。以遞迴式類神經網路為例，其用以表示輸入參數間交互作用的隱藏層無特定的決定方法，若在複雜模型中的隱藏層使用過多的參數，會造成網路缺乏歸納能力，若使用的隱藏層參數太少，網路則無法獲得正確的預測結果。因此，以需求來說，設計一個可有效篩選相關性變數之相關性變數篩選系統及其篩選方法，已成市場應用上之一個刻不容緩的議題。
有鑑於上述習知技藝之問題，本發明之目的就是在提供一種相關性變數篩選系統及其篩選方法，以解決目前諸多模型中過多複雜的參數，所造成預測過於複雜化且預測結果不盡理想的問題。
根據本發明之目的，提出一種相關性變數篩選系統，其包含一接收模組、一第一篩選模組、一第一運算模組、一第二篩選模組、一第二運算模組以及一第三篩選模組。接收模組係接收複數個變數。第一篩選模組係連接該接收模組，並根據各該變數之一相關係數值，依序篩選該相關係數值大於一第一閾值之該複數個變數。第一運算模組係連接該第一篩選模組，且根據該第一篩選模組篩選過後之該複數個變數，分別運算對應各該變數之一迴歸值及一權重值。第二篩選模組係連接該第一運算模組，並根據該複數個權重值，依序篩選該權重值小於一第二閾值之該複數個變數。第二運算模組係連接該第二篩選模組，且根據該第二篩選模組篩選過後之該複數個變數，運算各該變數之一分析值。第三篩選模組係連接該第二運算模組，並根據該複數個分析值，篩選大於一目標值之該複數個分析值。
根據本發明之目的，再提出一種相關性變數篩選方法，包含下列步驟：以一接收模組接收複數個變數；由一第一篩選模組根據各該變數之一相關係數值，依序篩選該相關係數值大於一第一閾值之該複數個變數；透過一第一運算模組根據該第一篩選模組篩選過後之該複數個變數，分別運算對應各該變數之一迴歸值及一權重值；由一第二篩選模組根據該複數個權重值，依序篩選該權重值小於一第二閾值之該複數個變數；透過一第二運算模組根據該第二篩選模組篩選過後之該複數個變數，運算各該變數之一分析值；以及利用一第三篩選模組根據該複數個分析值，篩選大於一目標值之該複數個分析值。
其中，該第一篩選模組判斷各該相關係數值的絕對值是否大於該第一閾值，以依序篩選該複數個變數。
其中，更包含一排序模組連接該接收模組，該排序模組依據各該相關係數值的絕對值之大小，以排序該複數個變數。
其中，該複數個分析值之其中之一係為一均方回歸值除以一均方差值。
其中，當該複數個分析值之最後一個篩選完畢，該第三篩選模組停止篩選之動作。
其中，該第一閾值係為0.4。
承上所述，依本發明之相關性變數篩選系統及其篩選方法，其可具有一或多個下述優點：
（1）此相關性變數篩選系統及其篩選方法可有效篩選相關性變數，以解決目前諸多模型中過多複雜的參數，並以類神經網路為基礎，並搭配參數最佳化和演算法開發而成的預測系統，來縮小預測誤差，進而提升了股票價格預測的能力。
（2）此相關性變數篩選系統及其篩選方法可有效篩選相關性變數，以解決目前諸多模型中過多複雜的參數，並以類神經網路為基礎，並搭配參數最佳化和演算法開發而成的預測系統，來縮小預測誤差，進而利用在諸多的預測範疇：例如，隔日電費的預測。
以下將參照相關圖式，說明依本發明之相關性變數篩選系統及其篩選方法之實施例，為使便於理解，下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖，其係為本發明之相關性變數篩選系統一實施例之方塊圖。如圖所示，本發明之相關性變數篩選系統1包含了一接收模組10、一排序模組11、一第一篩選模組12、一第一運算模組13、一第二篩選模組14、一第二運算模組15以及一第三篩選模組16。接收模組10係接收複數個變數。排序模組11係連接該接收模組10，並依據各該相關係數值的絕對值之大小，以排序該複數個變數。第一篩選模組12係連接該排序模組11，並根據各該變數之一相關係數值的絕對值，依序篩選該相關係數值大於一第一閾值之該複數個變數。在本實施例中，此第一閾值可為0.4。第一運算模組13係連接該第一篩選模組12，且根據該第一篩選模組12篩選過後之該複數個變數，分別運算對應各該變數之一迴歸值及一權重值。並且，在本實施例中，第一篩選模組12亦可連接該接收模組10，以依序篩選該相關係數值大於一第一閾值之該複數個變數；上述實施態樣僅為舉例而非限制，本發明於實際實施時，並不限於此種方式。第二篩選模組14係連接該第一運算模組13，並根據該複數個權重值，依序篩選該權重值小於一第二閾值之該複數個變數。
承接上述，第二運算模組15係連接該第二篩選模組14，且根據該第二篩選模組14篩選過後之該複數個變數，運算各該變數之一分析值；其中，各該複數個分析值可為一均方回歸值除以一均方差值。第三篩選模組16係連接該第二運算模組15，並根據該複數個分析值，篩選大於一目標值之該複數個分析值；並且，當該複數個分析值之最後一個篩選完畢，該第三篩選模組16停止篩選之動作。順帶一提的是，在本發明所屬領域中具有通常知識者應當明瞭，於前面敘述方式之動作之實施態樣僅為舉例而非限制；另外，熟悉此項技藝者當可任意結合上述之功能模組成一整合式模組，或分拆成各個功能細部單元，端看設計上的方便而定。
為求清楚理解，在此將以基於蜜蜂演算法之遞迴式類神經整合分析系統為另一實施例，說明本發明之相關性變數篩選系統及其篩選方法。
首先，相關性變數篩選系統使用了階段性回歸相關性選擇（Stepwise Regression Correlation Selection，SRCS）來建構輸入因子的選擇方式，在本實施例中，先列出了包含基本因子及技術因子的資料，這些資料經由小波轉換之後，階段性回歸相關性選擇可篩選出最有影響力的因子。
其中，階段性回歸相關性選擇的運作方式可分為以下的階段: 首先載入接收模組10中候選的輸入因子，並決定各因子對於目標應變數的相關係數值，接著以相關係數的絕對值由大到小排序，並刪去相關係數的絕對值小於0.4的輸入因子，而後以各個輸入因子的p值檢查各個因子對於目標應變數的顯著性，以導出目標應變數的迴歸模型。
同時，由以上方法篩選出的複數個因子，必須進一步的以各因子的F值檢驗是否具有統計上的顯著性。F值為均方回歸值除以一均方差值，其計算關係式如下：


若某因子的F值小於使用者自訂的閾值，該因子即不具有統計上的顯著性而被刪除，當迴歸模型中的每個因子都以此方法檢驗確認為具有統計上的顯著性時，即停止此階段性回歸相關性選擇方法。
值得一提的是，以階段性回歸相關性選擇方法篩選重要因子時，每個因子對於應變數而言必須有顯著的重要性，以此例子而言，顯著程度設為0.001，若一特定的變數的p值小於0.001時，此變數即被視為顯著的因子而增加到迴歸模型中。若一特定的變數的p值大於0.001時，此變數即被視為非顯著的因子而從迴歸模型中刪除。
對於F值而言，在此例子中其閾值被設定為4，若一特定的變數的F值大於4時，此變數即被視為顯著的因子而增加到迴歸模型中。若一特定的變數的F值小於4時，此變數即被視為非顯著的因子而從迴歸模型中刪除。
請參閱第2圖，其係為遞迴式類神經網路一實施例之示意圖。如圖所示，其中，使用遞迴式類神經網路為架構的優點為可進行複雜的運算，並可學習暫時性的序列模式，例如時變序列。此實施例中使用的遞迴式類神經網路包含輸入層、隱藏層、收集層及輸出層四大部分，各個隱藏的神經元與自己及其他的神經元連結，每個連結均有其加權值及偏差值，此時蜜蜂演算法即可被用於類神經網路訓練程序的運算，以求得輸入層、隱藏層及輸出層間各連結的加權值（w）以及隱藏層及輸出層各自的偏差值（b）。如第2圖中，其21, 22, 23, 24, 25所示部份可為輸入層；其26, 27, 28所示部份可為隱藏層；其29所示部份可為輸出層。而30所示部份可為輸入層21至隱藏層26連結的加權值w61 ；31所示部份可為隱藏層28至輸出層29連結的加權值w98 。如此，將可類推所有輸入層、隱藏層、輸出層間各連結的加權值，故在此不再贅述。另外，隱藏層26, 27, 28及輸出層29各自所具有  b26 , b27 , b28 及b29 之偏差值。
承接上述，蜜蜂演算法為群體為基礎的遞迴式演算法，藉由蜜蜂覓食的群體智慧行為，以找尋具有最大量花蜜量的食物區為目的所發展出的最佳化演算法，蜜蜂演算法中由工蜂、巡邏蜂、以及偵查蜂三種蜜蜂主導。蜜蜂演算法中，每個食物區代表一個對應至所探討問題之可能的解，而食物區的數量即為解的多寡。
以此實施例而言，演算法一開始，會隨機建立SN個初始解，其中SN代表工蜂或巡邏峰的個數，且工蜂個數等於巡邏蜂個數，而每一個食物區，也就是解Xh （h=1,2,…,SN）則代表一個維度為d的向量，d是問題中所需最佳化的參數個數。整個蜜蜂演算法中，其解的搜尋過程受限於最大迴圈數（Maximum Cycle Number, MCN）的設定，當達到所設定的MCN時即停止搜尋。
當隨機初始食物區設定完畢，每個食物區會放置一隻工蜂，接著，每隻工蜂會評估自身所在食物區的花蜜量，即為適合度，這樣的評估是透過一個適合度函數(3)來實現：
其中fi 代表欲解決問題中的目標函數之第i個解(食物區)。接著每隻工蜂會評估自身位置的鄰近食物區的適合度，倘若鄰近食物區的適合度大於現在所在區域的適合度，工蜂即移往新食物區。鄰近解是透過(4)來決定：
其中u是一個[-1, 1]的均勻隨機變數，Xh = (Xh1 ,   Xh2 , . . ., Xhd ) 代表目前所置的食物區， Sh 為鄰近Xh 的另一個食物區。而Sh 和Xh 的差別在於Sh = (Xh1 , Xh2 , . . ., Xh(j-1) , Shj , Xh(j+1) ,. . ., Xhd )，也就是說，除了在維度參數j元素之外，兩者元素皆為相同，至於位於j的元素則由(4)來決定。參數j則是一個[1, d]中隨機選出的整數。
當工蜂做完鄰近搜尋之後，會將最後得到的食物區傳送給巡邏蜂，使巡邏蜂開始評估自身位置的鄰近食物區的適合度，倘若鄰近食物區的適合度大於現在所在這個，巡邏蜂即移往新食物區，並且同樣藉由公式(4)找尋在最後工蜂得到最佳食物區鄰近解，進行進一步搜尋。隨後巡邏蜂把自己找到的解以及工蜂給予的解做適合度的比較，利用(5)來實現。
在公式(5)中，分母為包含巡邏蜂搜尋到的和工蜂最後提供的食物區適合度的總和。亦即在巡邏蜂階段，每個食物區的適合度在所有待選解中的比例，隨後，具有較高比例適合度之食物區就會被選出。
值得一提的是，在遞迴的過程中，若有一個解在經過一個由公式(6)設定的忍受迴圈個數後還無法有更好的食物區產生，此解將被偵查蜂接手，並透過(7)產生一新解，若該新解有較高適合度，則取代原先解，否則仍維持原解。
儘管前述在說明本發明之相關性變數篩選系統的過程中，亦已同時說明本發明之相關性變數篩選系統之相關性變數篩選方法的概念，但為求清楚起見，以下仍另繪示流程圖詳細說明。
請參閱第3圖，其係為本發明之相關性變數篩選方法之流程圖。如圖所示，本發明之相關性變數篩選方法，其適用於一相關性變數篩選系統，該相關性變數篩選系統包含一接收模組、一排序模組、一第一篩選模組、一第一運算模組、一第二篩選模組、一第二運算模組以及一第三篩選模組。相關性變數篩選系統之相關性變數篩選方法包含下列步驟：
（S31）以一接收模組接收複數個變數；
（S32）由一第一篩選模組根據各該變數之一相關係數值，依序篩選該相關係數值大於一第一閾值之該複數個變數；
（S33）透過一第一運算模組根據該第一篩選模組篩選過後之該複數個變數，分別運算對應各該變數之一迴歸值及一權重值；
（S34）由一第二篩選模組根據該複數個權重值，依序篩選該權重值小於一第二閾值之該複數個變數；
（S35）透過一第二運算模組根據該第二篩選模組篩選過後之該複數個變數，運算各該變數之一分析值；以及
（S36）利用一第三篩選模組根據該複數個分析值，篩選大於一目標值之該複數個分析值。
本發明之相關性變數篩選系統之相關性變數篩選方法的詳細說明以及實施方式已於前面敘述本發明之相關性變數篩選系統時描述過，在此為了簡略說明便不再敘述。
綜上所述，本發明所提出之相關性變數篩選系統及其篩選方法可有效篩選相關性變數，以解決目前諸多模型中過多複雜的參數，並以類神經網路為基礎，並搭配參數最佳化和演算法開發而成的預測系統，來縮小預測誤差，進而利用在諸多的預測範疇：例如，股票價格或隔日電費的預測。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
1‧‧‧相關性變數篩選系統
10‧‧‧接收模組
11‧‧‧排序模組
12‧‧‧第一篩選模組
13‧‧‧第一運算模組
14‧‧‧第二篩選模組
15‧‧‧第二運算模組
16‧‧‧第三篩選模組
21、22、23、24、25‧‧‧輸入層
26、27、28‧‧‧隱藏層
29‧‧‧輸出層
30、31‧‧‧加權值
S31~S36‧‧‧步驟
第1圖係為本發明之相關性變數篩選系統一實施例之方塊圖。
第2圖係為遞迴式類神經網路一實施例之示意圖。
第3圖係為本發明之相關性變數篩選方法之流程圖。
S31~S36‧‧‧步驟

Claims (12)

  1. 一種相關性變數篩選系統，係包含：
    一接收模組，係接收複數個變數；
    一第一篩選模組，係連接該接收模組，並根據各該變數之一相關係數值，依序篩選該相關係數值大於一第一閾值之該複數個變數；
    一第一運算模組，係連接該第一篩選模組，且根據該第一篩選模組篩選過後之該複數個變數，分別運算對應各該變數之一迴歸值及一權重值；
    一第二篩選模組，係連接該第一運算模組，並根據該複數個權重值，依序篩選該權重值小於一第二閾值之該複數個變數；
    一第二運算模組，係連接該第二篩選模組，且根據該第二篩選模組篩選過後之該複數個變數，運算各該變數之一分析值；以及
    一第三篩選模組，係連接該第二運算模組，並根據該複數個分析值，篩選大於一目標值之該複數個分析值。
  2. 如申請專利範圍第1項所述之相關性變數篩選系統，其中該第一篩選模組判斷各該相關係數值的絕對值是否大於該第一閾值，以依序篩選該複數個變數。
  3. 如申請專利範圍第2項所述之相關性變數篩選系統，其更包含一排序模組連接該接收模組，該排序模組依據各該相關係數值的絕對值之大小，以排序該複數個變數。
  4. 如申請專利範圍第1項所述之相關性變數篩選系統，其中該複數個分析值之其中之一係為一均方回歸值除以一均方差值。
  5. 如申請專利範圍第1項所述之相關性變數篩選系統，其中當該複數個分析值之最後一個篩選完畢，該第三篩選模組停止篩選之動作。
  6. 如申請專利範圍第1項所述之相關性變數篩選系統，其中該第一閾值係為0.4。
  7. 一種相關性變數篩選方法，包含下列步驟：
    以一接收模組接收複數個變數；
    由一第一篩選模組根據各該變數之一相關係數值，依序篩選該相關係數值大於一第一閾值之該複數個變數；
    透過一第一運算模組根據該第一篩選模組篩選過後之該複數個變數，分別運算對應各該變數之一迴歸值及一權重值；
    由一第二篩選模組根據該複數個權重值，依序篩選該權重值小於一第二閾值之該複數個變數；
    透過一第二運算模組根據該第二篩選模組篩選過後之該複數個變數，運算各該變數之一分析值；以及
    利用一第三篩選模組根據該複數個分析值，篩選大於一目標值之該複數個分析值。
  8. 如申請專利範圍第7項所述之相關性變數篩選方法，其更包含下列步驟：
    以該第一篩選模組判斷各該相關係數值的絕對值是否大於該第一閾值，來依序篩選該複數個變數。
  9. 如申請專利範圍第8項所述之相關性變數篩選方法，其更包含下列步驟：
    提供一排序模組依據各該相關係數值的絕對值之大小，排序該複數個變數。
  10. 如申請專利範圍第7項所述之相關性變數篩選方法，其中該複數個分析值之其中之一係為一均方回歸值除以一均方差值。
  11. 如申請專利範圍第7項所述之相關性變數篩選方法，其更包含下列步驟：
    當該複數個分析值之最後一個篩選完畢，該第三篩選模組停止篩選之動作。
  12. 如申請專利範圍第7項所述之相關性變數篩選方法，其中該第一閾值係為0.4。
TW100101027A 2011-01-11 2011-01-11 相關性變數篩選系統及其篩選方法 TWI419070B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW100101027A TWI419070B (zh) 2011-01-11 2011-01-11 相關性變數篩選系統及其篩選方法
US13/075,285 US8706670B2 (en) 2011-01-11 2011-03-30 Relative variable selection system and selection method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW100101027A TWI419070B (zh) 2011-01-11 2011-01-11 相關性變數篩選系統及其篩選方法

Publications (2)

Publication Number Publication Date
TW201229946A TW201229946A (en) 2012-07-16
TWI419070B true TWI419070B (zh) 2013-12-11

Family

ID=46456035

Family Applications (1)

Application Number Title Priority Date Filing Date
TW100101027A TWI419070B (zh) 2011-01-11 2011-01-11 相關性變數篩選系統及其篩選方法

Country Status (2)

Country Link
US (1) US8706670B2 (zh)
TW (1) TWI419070B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US20120266026A1 (en) * 2011-04-18 2012-10-18 Ramya Malanai Chikkalingaiah Detecting and diagnosing misbehaving applications in virtualized computing systems
TWI494774B (zh) * 2012-12-04 2015-08-01 Univ Shu Te Program system design method
CN105354277B (zh) * 2015-10-30 2020-11-06 中国船舶重工集团公司第七0九研究所 一种基于递归神经网络的推荐方法及***
CN105653683B (zh) * 2015-12-30 2020-10-16 东软集团股份有限公司 一种个性化推荐方法及装置
EP3258388A1 (en) 2016-06-17 2017-12-20 Tata Consultancy Services Limited Parallelization techniques for variable selection and predictive models generation and its applications
JP6588877B2 (ja) * 2016-08-23 2019-10-09 株式会社日立製作所 要因分析支援装置および要因分析支援方法
CN108038592A (zh) * 2017-11-22 2018-05-15 华北电力大学 一种基于模糊区间层次分析法的配电网投资成效评价方法
CN116156655A (zh) * 2018-01-24 2023-05-23 上海朗帛通信技术有限公司 一种被用于无线通信的用户设备、基站中的方法和装置
CN108280599B (zh) * 2018-03-08 2022-02-18 国网湖北省电力有限公司经济技术研究院 一种基于公共服务价值模型的农配网投入产出评估方法
CN111680955B (zh) * 2020-08-11 2020-11-20 南京云联数科科技有限公司 用于库存信息处理的方法、计算设备和计算机存储介质
US11551152B2 (en) 2020-09-03 2023-01-10 International Business Machines Corporation Input feature significance identification based on batches of prediction
CN111859057B (zh) * 2020-09-22 2020-12-04 上海冰鉴信息科技有限公司 数据特征处理方法及数据特征处理装置
CN111931426B (zh) * 2020-09-25 2021-01-26 大唐环境产业集团股份有限公司 Scr反应器入口氮氧化物浓度影响因素的确定方法及设备
CN112561227A (zh) * 2020-10-26 2021-03-26 南京集新萃信息科技有限公司 一种基于递归神经网络的多机器人协同方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5109475A (en) * 1988-09-19 1992-04-28 Hitachi, Ltd. Method and a system for selection of time series data
TW279231B (en) * 1995-04-18 1996-06-21 Nat Science Council This invention is related to a new neural network for prediction
TW548567B (en) * 2001-07-11 2003-08-21 Gofaser Technology Co Ltd A method for evaluating the bottom volume of stock market using artificial neural network
TW561372B (en) * 2001-07-18 2003-11-11 Gofaser Technology Co Ltd A method for evaluating the top volume of stock market using artificial neural network
TW578071B (en) * 2001-01-29 2004-03-01 Manugistics Inc System and method for allocating the supply of critical material components and manufacturing capacity
TW200422893A (en) * 2003-04-21 2004-11-01 Gung-Shiung Jang Method for predicting trends of stock and future
US20070270994A1 (en) * 2006-05-19 2007-11-22 Texas Instruments, Incorporated System and method for generating a yield model for an integrated circuit fabrication process and method of manufacturing an integrated circuit using the yield model
TW200812749A (en) * 2006-09-15 2008-03-16 Tokyo Seimitsu Co Ltd Polishing method and polishing apparatus
TW201032067A (en) * 2009-02-27 2010-09-01 Nat Univ Tsing Hua Network reliability calculation system and method thereof
TW201034411A (en) * 2009-03-02 2010-09-16 Nat Univ Tsing Hua The network reliability calculation system and its method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5109475A (en) * 1988-09-19 1992-04-28 Hitachi, Ltd. Method and a system for selection of time series data
TW279231B (en) * 1995-04-18 1996-06-21 Nat Science Council This invention is related to a new neural network for prediction
TW578071B (en) * 2001-01-29 2004-03-01 Manugistics Inc System and method for allocating the supply of critical material components and manufacturing capacity
TW548567B (en) * 2001-07-11 2003-08-21 Gofaser Technology Co Ltd A method for evaluating the bottom volume of stock market using artificial neural network
TW561372B (en) * 2001-07-18 2003-11-11 Gofaser Technology Co Ltd A method for evaluating the top volume of stock market using artificial neural network
TW200422893A (en) * 2003-04-21 2004-11-01 Gung-Shiung Jang Method for predicting trends of stock and future
US20070270994A1 (en) * 2006-05-19 2007-11-22 Texas Instruments, Incorporated System and method for generating a yield model for an integrated circuit fabrication process and method of manufacturing an integrated circuit using the yield model
TW200812749A (en) * 2006-09-15 2008-03-16 Tokyo Seimitsu Co Ltd Polishing method and polishing apparatus
TW201032067A (en) * 2009-02-27 2010-09-01 Nat Univ Tsing Hua Network reliability calculation system and method thereof
TW201034411A (en) * 2009-03-02 2010-09-16 Nat Univ Tsing Hua The network reliability calculation system and its method

Also Published As

Publication number Publication date
US8706670B2 (en) 2014-04-22
US20120179638A1 (en) 2012-07-12
TW201229946A (en) 2012-07-16

Similar Documents

Publication Publication Date Title
TWI419070B (zh) 相關性變數篩選系統及其篩選方法
Sayavong et al. Research on stock price prediction method based on convolutional neural network
CN106845544B (zh) 一种基于粒子群与支持向量机的小麦条锈病预测方法
CN103577694B (zh) 一种基于多尺度分析的水产养殖水质短期组合预测方法
CN103745273B (zh) 一种半导体制造过程的多性能预测方法
CN108445752B (zh) 一种自适应选择深度特征的随机权神经网络集成建模方法
CN109214449A (zh) 一种电网投资需求预测方法
Hussein et al. Gold price prediction using radial basis function neural network
CN110060489B (zh) 一种基于神经网络的信号灯配时方案推荐方法
CN108171379A (zh) 一种用电负荷预测方法
CN109492748B (zh) 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法
Lou et al. A convolutional neural network approach to predicting network connectedness robustness
CN112836884A (zh) 基于Copula-DBiLSTM的综合能源***多元负荷精确预测方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
CN110047015A (zh) 一种融合kpca和思维优化bp神经网络的用水总量预测方法
CN113887328A (zh) 一种eca-cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
Zhang et al. A novel integrated optimization model for carbon emission prediction: A case study on the group of 20
CN114527714A (zh) 一种基于数字孪生及扰动监测的车间动态调度方法
Shou et al. Forecasting the price trends of digital currency: a hybrid model integrating the stochastic index and grey Markov chain methods
Pranolo et al. Optimized three deep learning models based-pso hyperparameters for beijing pm2. 5 prediction
CN116826745A (zh) 一种电力***背景下的分层分区短期负荷预测方法及***
CN108765137A (zh) 一种信贷需求预测方法和***、存储介质
CN111105127B (zh) 一种基于数据驱动的模块化产品设计评价方法
CN107578130A (zh) 一种结构和参数联合学习的tsk型模糊***的铜期货价格预测的方法