计算智能在时间序列中的应用

自早期生存以来，对未来的预测已着迷。实际上，这些努力中的许多努力可以在节食，电信，污染，生物信息学和地震学等日常活动中，显然是神经科学。准确的预测在经济活动中至关重要，因为某些地区的显着预测误差可能涉及大量资金。

在这种情况下，对过去几十年来许多研究人员来说，对时间数据的成功分析是一个具有挑战性的任务，实际上，很难弄清楚任何没有时间依赖变量的科学分支。

已知计算智能，包括包括人工神经网络，模糊系统，进化计算，学习理论或概率方法等强大的技术。因此，这一特殊问题一直专注于将这种技术应用于时间序列。特别是，目标是在时间序列分析中分享最近的进展，并提供有趣的机会，并讨论现实世界应用中的最新实际进展。

已经进行了严格和广泛的审查流程。为此特别问题选择的论文目前在时间序列预测领域的新发现和见解。已经讨论了广泛的主题，特别是在以下领域：财务，旅游，饲料需求，阴霾发作，股票价格或数据存储。

已经使用二进制编码开发了遗传算法，以分析在微观水平上的股票价格数据的高速交易研究。这个问题肯定是从计算智能技术的新的和未开发的。据报道的结果表明，该系统能够提高价格运动预测的准确性，从而促进朝着这个方向进行研究。

季节性趋势自回归综合移动平均线也通过了树枝状神经网络的季节性趋势综合综合迁移平均来解决旅游需求预测。来自日本的数据用于测试所提出的模型的预测性能。在应用Sarima模型以排除长期线性趋势之后，该模型产生短期预测。该研究混合了线性和非线性模型，并表明在这种技术的组合中进一步分析是理想的。

同样，提出了一种提取时间序列的主要趋势的新的不规则采样估计方法。为实现这一目标，首先，卡尔曼滤波器用于去除脏数据。其次，立方样条插值和平均方法用于重建主要趋势。该拟议的方法已应用于存储卷系列互联网数据中心。结果非常有前途。

提出了一种新型混合人工智能系统来预测股价指数趋势。特别地，从2009年到2014年，从泰国SET50指数趋势的组合与遗传算法相结合的人工神经网络已经应用于泰国SET50指数趋势的数据。已经考虑了多个功能和不同的时间跨度。对其他方法的比较证实了这种新方法的成功。

广泛讨论了饲料谷物需求问题的长期预测。已经介绍了多变量回归模型以及动态预测模型。首先，研究需求与其影响因素之间的相关性，其次，预测了影响需求的因素的趋势变化。报道的结果证实了方法的有效性。

介绍了北京阴霾剧集的新型长期预测模型。作者建立了一种动态结构测量模型的日常阴霾递增，并将模型降低到矢量自回归模型。这种模式在第二天的空气质量指标预测中表现令人满意，在许多情况下达到近90％的准确率。因此，可以通过这种方法预测突然的阴霾突发。

最后，我们要感谢所有作者为他们出色的工作和贡献这一特殊问题。我们还要对所有审稿人表示感谢他们的全面修订和耐心协助我们。

FranciscoMartínez-Álvarez
alicia troncoso.
豪尔赫雷亚斯
MaríaMartínez-珠子
JoséC.Iriquelme.

计算智能和神经科学