Submitted 4 September, 2024; v1 submitted 28 August, 2024; originally announced August 2024. , Comments: For associated repository, see https://github.com/Espalemit/VMD-With-LTSF-Linear.git
توضیحات به فارسی
ارسال شده در 4 سپتامبر 2024 ؛V1 ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: برای مخزن مرتبط ، به https://github.com/espalemit/vmd-with-ltsf-linear.git مراجعه کنید
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Time-series forecasting often faces challenges due to data volatility, which can lead to inaccurate predictions. Variational Mode Decomposition (VMD) has emerged as a promising technique to mitigate volatility by decomposing data into distinct modes, thereby enhancing forecast accuracy. In this study, we integrate VMD with linear models to develop a robust forecasting framework. Our approach is evaluated on 13 diverse datasets, including ETTm2, WindTurbine, M4, and 10 air quality datasets from various Southeast Asian cities. The effectiveness of the VMD strategy is assessed by comparing Root Mean Squared Error (RMSE) values from models utilizing VMD against those without it. Additionally, we benchmark linear-based models against well-known neural network architectures such as LSTM, Bidirectional LSTM, and RNN. The results demonstrate a significant reduction in RMSE across nearly all models following VMD application. Notably, the Linear + VMD model achieved the lowest average RMSE in univariate forecasting at 0.619. In multivariate forecasting, the DLinear + VMD model consistently outperformed others, attaining the lowest RMSE across all datasets with an average of 0.019. These findings underscore the effectiveness of combining VMD with linear models for superior time-series forecasting.
چکیده به فارسی (ترجمه ماشینی)
پیش بینی سری زمانی اغلب به دلیل نوسانات داده با چالش هایی روبرو است که می تواند منجر به پیش بینی های نادرست شود.تجزیه حالت متغیر (VMD) به عنوان یک روش امیدوارکننده برای کاهش نوسانات با تجزیه داده ها در حالت های مجزا ظاهر شده است ، در نتیجه باعث افزایش دقت پیش بینی می شود.در این مطالعه ، ما VMD را با مدل های خطی ادغام می کنیم تا یک چارچوب پیش بینی قوی تهیه کنیم.رویکرد ما در 13 مجموعه داده متنوع ، از جمله ETTM2 ، Windturbine ، M4 و 10 مجموعه داده کیفیت هوا از شهرهای مختلف جنوب شرقی آسیا ارزیابی شده است.اثربخشی استراتژی VMD با مقایسه مقادیر میانگین خطای مربع (RMSE) از مدل های استفاده از VMD در برابر افراد بدون آن ارزیابی می شود.علاوه بر این ، ما مدلهای مبتنی بر خطی را در برابر معماری های مشهور شبکه عصبی مانند LSTM ، LSTM دو طرفه و RNN معیار می کنیم.نتایج نشان می دهد که کاهش قابل توجهی در RMSE در تقریباً همه مدل های زیر برنامه VMD نشان می دهد.نکته قابل توجه ، مدل خطی + VMD در پیش بینی یک متغیره در 0.619 کمترین RMSE را به دست آورد.در پیش بینی چند متغیره ، مدل dlinear + VMD به طور مداوم از دیگران بهتر عمل می کند و به کمترین RMSE در تمام مجموعه داده ها با میانگین 0.019 می رسد.این یافته ها تأکید بر اثربخشی ترکیب VMD با مدل های خطی برای پیش بینی سری زمانی برتر است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
