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
