×
赵欣；斯图亚特·巴伯；查尔斯·泰勒。；米兰，佐卡

基于流数据回归树的区间预测。 （英语） Zbl 07363863号

高级数据分析。分类。，ADAC公司 第1期第15页，第5-36页（2021）.
总结：在预测中，我们通常需要区间预测，而不仅仅是特定的点预测。为了有效地跟踪流数据，该间隔预测应可靠地覆盖观测数据，但应尽可能窄。为此，我们提出了两种基于回归树的方法：一种是集成方法，另一种是基于单个树的方法。对于集成方法，我们使用最新模型的加权结果，对于单树方法，我们保留一个模型，直到需要训练新模型。我们提出了一种新的方法，利用从最新数据批计算的均方根预测误差自适应更新区间预测。我们使用小波变换数据来捕获长时间变量信息和条件推理树，用于基础回归树模型。结果表明，这两种方法都表现良好，具有良好的覆盖率，且间隔不太宽。当底层数据生成机制发生更改时，它们的性能最初会受到影响，但随着时间的推移可以相对较快地恢复。与集成方法相比，基于单个树的方法在计算（CPU）时间上表现最佳。与ARIMA和GARCH建模相比，我们的方法实现了更好或类似的覆盖范围和宽度，但所需的CPU时间少得多。

引用于1文件

MSC公司：

62米10 统计学中的时间序列、自相关、回归等（GARCH）

关键词：

ctree公司；MODWT公司；小波；肝移植；数据流

软件：

wmtsa公司；Waveslim公司；对；预测；预测；R度量；fGarch公司；聚会；俄罗斯；农业部
PDF格式BibTeX公司 XML格式引用
\textit{X.Zhao}等人，高级数据分析。分类。，ADAC 15，编号1，5--36（2021；Zbl 07363863）
全文： DOI程序 链接

参考文献：

[1] Appice A，Ceci M（2006）使用模型树挖掘公差区域。参加：智能系统方法国际研讨会。施普林格，pp 560-569
[2] Baena-García M，del Campo-ávila J，Fidalgo R，Bifet a，GavaldáR，Morales-Bueno R（2006）早期漂移检测方法。参加：第四届数据流知识发现国际研讨会
[3] Bifet A，GavaldáR（2007）利用自适应窗口从时变数据中学习。摘自：2007年SIAM数据挖掘国际会议记录。SIAM，第443-448页
[4] Bifet A，GavaldáR（2009），从不断变化的数据流中自适应学习。参加：智能数据分析国际研讨会。施普林格，第249-260页
[5] Bifet A，Holmes G，Pfahringer B，Kirkby R，GavaldáR（2009），进化数据流的新集成方法。摘自：第15届ACM SIGKDD知识发现和aata挖掘国际会议论文集。ACM，第139-148页
[6] Bifet，A。；霍姆斯，G。；柯克比，R。；Pfahringer，B.，MOA：大规模在线分析，J Mach Learn Res，11601-1604（2010）
[7] Domingos P，Hulten G（2000）挖掘高速数据流。收录：第六届ACM SIGKDD知识发现和数据挖掘国际会议论文集。ACM，第71-80页
[8] 杜阿尔特，J。；贾马，J。；Bifet，A.，来自高速数据流的自适应模型规则，ACM Trans Knowl Discov data（TKDD），10，3，30（2016）
[9] Gama J、Medas P、Castillo G、Rodrigues P（2004）《漂移检测学习》。巴西人工智能研讨会。施普林格，第286-295页·Zbl 1105.68376号
[10] Ghalanos A（2014）rugarch：单变量GARCH模型。R包版本1.3-5
[11] Gholipour A、Hosseini MJ、Beigy H（2013）非平稳数据流的自适应回归树。摘自：第28届ACM应用计算年会论文集。ACM，第815-817页
[12] Hothorn T，Zeileis A（2015）partykit:R.J Mach Learn Res 16:3905-3909中递归参与的模块化工具包。http://jmlr.org/papers/v16/hothorn15a.html ·Zbl 1351.62005年
[13] Hothorn，T。；霍尼克，K。；Van De Wiel，马萨诸塞州；Zeileis，A.，《条件推理的乐高系统》，美国统计局，60，3，257-263（2006）·doi:10.1198/000313006X118430
[14] Hothorn，T。；霍尼克，K。；Zeileis，A.，《无偏递归分区：条件推理框架》，《计算图统计杂志》，第15、3、651-674页（2006年）·doi:10.1198/106186006X133933
[15] Hyndman RJ（2017）预测：时间序列和线性模型的预测函数。http://pkg.robjhyndman.com/forecast。R软件包版本8.2
[16] Hyndman RJ，Khandakar Y（2008）《自动时间序列预测：R.J Stat Softw的预测包》26（3）：1-22。http://www.jstatsoft.org/article/view/v027i03
[17] 伊科诺莫夫斯卡，E。；贾马，J。；Díeroski，S.，从不断演变的数据流中学习模型树，data Min Knowl Disc，23，1，128-168（2011）·Zbl 1235.68158号 ·doi:10.1007/s10618-010-0201-y
[18] 伊科诺莫夫斯卡，E。；贾马，J。；Díeroski，S.，《进化数据流回归的在线基于树的集成和选项树》，神经计算，150，458-470（2015）·doi:10.1016/j.neucom.2014.04.076
[19] Jin R，Agrawal G（2003）流数据的高效决策树构建。收录：第九届ACM SIGKDD知识发现和数据挖掘国际会议论文集，KDD’03，第571-576页，美国纽约州纽约市，2003年。ACM公司。国际标准图书编号1-58113-737-0。doi:10.1145/956750.956821
[20] Khosravi，A。；Nahavandi，S。；Creighton，D.，自适应神经模糊推理系统的预测区间构造和优化，IEEE Trans-Fuzzy Syst，19，5，983-988（2011）·doi:10.1109/TFUZZ.2011.2130529
[21] Krawczyk，B。；Cano，A.，《在线集成学习与漂移和噪声数据流的弃权分类器》，应用软件计算，68，677-692（2018）·doi:10.1016/j.asoc.2017.12.008
[22] Z.米兰。；泰勒，C。；阿姆斯特朗，D。；戴维斯，P。；罗伯茨，S。；Rupnik，B。；Suddle，A.，术前使用β受体阻滞剂是否会影响术中血流动力学状况和肝移植术后进程？，《运输程序》，48，1，111-115（2016）·doi:10.1016/j.transproceed.2015.12.027
[23] Nishida K，Yamauchi K（2007）使用统计测试检测概念漂移。在：国际发现科学会议。施普林格，第264-269页
[24] 珀西瓦尔，DB；Walden，AT，《时间序列分析的小波方法》（2000），剑桥：剑桥大学出版社，剑桥·Zbl 0963.62079号 ·doi:10.1017/CBO9780511841040
[25] Pfahringer B、Holmes G、Kirkby R（2007年）《Hoeffing树的新选择》。澳大利亚人工智能联合会议。施普林格，第90-99页
[26] Quan，H。；Srinivasan，D。；Khosravi，A.，《使用基于神经网络的预测区间进行短期负荷和风力发电预测》，IEEE Trans neural Netw Learn Syst，25，2，303-315（2014）·doi:10.1109/TNNLS.2013.2276053
[27] R核心团队（2014）R：统计计算的语言和环境。R统计计算基金会，奥地利维也纳。http://www.R-project.org网站/
[28] 罗斯，GJ；新墨西哥州亚当斯；丹麦塔苏利斯；Hand，DJ，检测概念漂移的指数加权移动平均图，模式识别快报，33，2，191-198（2012）·doi:10.1016/j.patrec.2011.08.019
[29] 塞提，TS；Kantardzic，M.，关于从流式未标记数据中可靠检测概念漂移，专家系统应用，82，77-99（2017）·doi:10.1016/j.eswa.2017.04.008
[30] Shrestha，DL；Solomatine，DP，模型输出预测区间估计的机器学习方法，神经网络，19，2，225-235（2006）·Zbl 1160.68516号 ·doi:10.1016/j.neunet.2006.01.012
[31] Sobhani，P。；Beigy，H.，《数据流的新漂移检测方法》，《自适应智能系统》，6943，88-97（2011）·doi:10.1007/978-3-642-23857-4_12
[32] Whitcher B（2013）waveslim:用于一维、二维和三维信号处理的基本小波例程。http://CRAN.R-project.org/package=waveslim。R包版本1.7.3
[33] Wuertz D，Setz T，Chalabi Y，Boudt C，Chausse P，Miklovac M（2019）fGarch:Rmetrics-自回归条件异方差模型。https://CRAN.R-project.org/package=fGarch。R包版本3042.83.1
[34] 吉田，S-I；Hatano，K。；Takimoto，E。；武田，M.，使用加权窗口的自适应在线预测，IEICE Trans，94-D，1917-1923（2011）·doi:10.1587/transinf。E94.D.1917年
[35] X.赵。；巴伯，S。；CC泰勒；Milan，Z.，《使用小波变换时间序列的面板数据分类树方法》，《计算统计数据分析》，127204-216（2018）·Zbl 1469.62182号 ·doi:10.1016/j.csda.2018.05.019
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。