工具书类
[1]https://www.who.int/emergencies/diseases/novel-conarovirus-2019在谷歌学者中搜索
[2]https://www.worldometers.info/冠状病毒在谷歌学者中搜索
[3] Kamrujjaman,M.、Mahmud,M.S.和Islam,M.S(2020年)。冠状病毒爆发和Covid-19的数学增长图。生物学年度研究与评论,72-78。10.9734/arrb/2020/v35i130182在谷歌学者中搜索
[4] Verdière,N.、Lanza,V.、Charrier,R.、Provitolo,D.、Dubos-Paillard,E.、Bertelle,C.和Alaoui,A.(2014年6月)。灾难事件中人类行为的数学建模。在谷歌学者中搜索
[5] Ivera,B.和Ramos,A.M.(2020年)。Be-CoDiS数学模型在预测2019-20年武汉冠状病毒疫情国际传播中的应用。研究门预印本,9,1-13。在谷歌学者中搜索
[6] Diekmann,O.、Heesterbeek,J.A.P.和Roberts,M.G.(2010年)。为分区传染病模型构建下一代矩阵。《皇家学会界面杂志》,7(47),873-885。10.1098/rsif.2009.0386在谷歌学者中搜索
[7] Li,M.Y.和Muldowney,J.S.(1996)。全局稳定性问题的几何方法。SIAM数学分析杂志,27(4),1070-1083。10.1137/S0036141094266449在谷歌学者中搜索
[8] Srivastav,A.K.和Ghosh,M.(2016)。具有最优控制的猪流感症状和无症状感染的建模和分析。地球系统与环境建模,2(4),1-9。2007年10月10日/40808-016-0222-7在谷歌学者中搜索
[9] Zhang,L.,Zhou,W.D.,Chang,P.C.,Yang,J.W.,&Li,F.Z.(2013)。多支持向量回归模型的迭代时间序列预测。神经计算,99,411-422。2016年10月10日/j.neucom.2012.06.030在谷歌学者中搜索
[10] Caglar,F.和Gokhale,A.(2014年6月)。iOverbook:智能资源冗余,支持云中的软实时应用程序。2014年IEEE第七届云计算国际会议(第538-545页)。10.1109/云2014.78在谷歌学者中搜索
[11] Gupta,S.和Dinesh,D.A.(2017年)。云网络资源使用预测的在线适应模型。2017年第二十三届全国通信会议(NCC)(第1-6页)。10.1109/NCC.2017.8077082在谷歌学者中搜索
[12] Gupta,S.、Dileep,A.D.和Gonsalves,T.A.(2016)。基于分数差分的云网络资源预测混合模型。第五届网络、通信和计算国际会议论文集(第93-97页)。10.1145/3033288.3033310在谷歌学者中搜索
[13] Zhang,G.P.(2003)。使用混合ARIMA和神经网络模型进行时间序列预测。神经计算,50159-175。10.1016/S0925-2312(01)00702-0在谷歌学者中搜索
[14] Chaábane,N.(2014年)。用于电价预测的ARFIMA和神经网络混合模型。国际电力与能源系统杂志,55187-194。10.1016/j.ijepes.2013.09.004在谷歌学者中搜索
[15] Gupta,S.、Dileep,A.D.和Gonsalves,T.A.(2018年)。一个联合特征选择框架,用于使用稳定性和预测性能预测云服务器中的多元资源使用情况。超级计算杂志,74(11),6033-6068。2007年10月17日/11227-018-2510-7在谷歌学者中搜索
[16] Song,B.、Yu,Yu、Zhou,Y.、Wang,Z.和Du,S.(2018年)。云计算中具有长短期内存的主机负载预测。《超级计算杂志》,74(12),6554-6568。2007年10月11日/11227-017-2044-4在谷歌学者中搜索
[17] Gupta,S.和Dileep,A.D.(2020年)。基于相关性反馈的云服务器资源瓶颈预测在线学习模型。神经计算。第402卷,307-322。10.1016/j.neucom.2020.04.080在谷歌学者中搜索
[18] Zhao,F.、Zeng,G.Q.和Lu,K.D.(2019年)。EnLSTM-WPEO:通过集成LSTM、NNCT权重集成和人口极值优化进行短期交通流预测。IEEE车辆技术汇刊,69(1),101-113。10.1109/TVT.2019.2952605在谷歌学者中搜索
[19] Chakraborty,K.,Mehrotra,K.、Mohan,C.K.和Ranka,S.(1992年)。使用神经网络预测多元时间序列的行为。神经网络,5(6),961-970。10.1016/S0893-6080(05)80092-9在谷歌学者中搜索
[20] Hirwa J.S.&Cao J(2014)《云中资源性能预测的集成多元模型》。收录于:网络与并行计算NPC 2014,计算机科学讲义,第8707卷,第333–346页。10.1007/978-3-662-44917-2_28在谷歌学者中搜索
[21]佩尼亚·D·和桑切斯·I·(2007)。衡量多元预测与单变量预测的优势。时间序列分析杂志,28(6),886-909。10.1111/j.1467-9892.2007.00538.x在谷歌学者中搜索
[22]哈里斯·R.I.(1992)。使用扩展的Dickey-Fuller检验测试单位根:与测试的大小、功率和滞后结构有关的一些问题。经济学信件,38(4),381-386。10.1016/0165-1765(92)90022-Q在谷歌学者中搜索