WITHDRAWN: Forecasting of nonlinear time series using artificial neural network

Tealab, Ahmed; Hefny, Hesham A.; Badr, Amr

doi:10.1016/j.fcij.2017.06.001

Cited by 5 publications

(2 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The study also revealed that the ANN method cannot handle linear patterns equally well as nonlinear patterns [41]. Meanwhile, Tealab et al, [42] revealed that the common neural networks were inefficient in recognizing the behavior of non-linear or dynamic time series with moving average terms and hence, low forecasting capability.…”

Section: Principal Component Regression (Pcr)mentioning

confidence: 99%

A Review on Short-Term Prediction of Air Pollutant Concentrations

Raffee¹,

Rahmat²,

Hamid³

et al. 2018

IJET

View full text Add to dashboard Cite

In the attempt to increase the production of the industrial sector to accommodate human needs; motor vehicles and power plants have led to the decline of air quality. The tremendous decline of air pollution levels can adversely affect human health, especially children, those elderly, as well as patients suffering from asthma and respiratory problems. As such, the air pollution modelling appears to be an important tool to help the local authorities in giving early warning, apart from functioning as a guide to develop policies in near future. Hence, in order to predict the concentration of air pollutants that involves multiple parameters, both artificial neural network (ANN) and principal component regression (PCR) have been widely used, in comparison to classical multivariate time series. Besides, this paper also presents comprehensive literature on univariate time series modelling. Overall, the classical multivariate time series modelling has to be further investigated so as to overcome the limitations of ANN and PCR, including univariate time series methods in short-term prediction of air pollutant concentrations.

show abstract

Section: Principal Component Regression (Pcr)mentioning

confidence: 99%

A Review on Short-Term Prediction of Air Pollutant Concentrations

Raffee¹,

Rahmat²,

Hamid³

et al. 2018

IJET

View full text Add to dashboard Cite

show abstract

“…Tealab et al, (2017) used ANN for nonlinear time series forecasting. The analysis performed was focused on nonlinear moving average models, Autoregressive Neural Networks(ARNN) and Recurrent Neural Networks (RNN).…”

mentioning

confidence: 99%

Real time traffic load forecasting

Κολιδάκης¹

View full text Add to dashboard Cite

Η παρούσα διδακτορική διατριβή με διακριτικό τίτλο: «Πρόβλεψη μεταφορικού φόρτου σε πραγματικό χρόνο: Μια υβριδική προσέγγιση με χρήση τεχνικών Ανάλυσης Ιδιάζοντος Φάσματος και Τεχνητής Νοημοσύνης» διερευνά και προτείνει μια υβριδική μεθοδολογία που συνδυάζει την Ανάλυση Ιδιάζοντος Φάσματος και την Τεχνητή Νοημοσύνη με στόχο την πρόβλεψη της μελλοντική εξέλιξης του φόρτου ενός μεταφορικού συστήματος, σε πραγματικό χρόνο. Η ανάπτυξη και υλοποίηση του προτεινόμενου μοντέλου πρόβλεψης μεταφορικού φόρτου με βάση την υπολογιστική νοημοσύνη, οδήγησε στην ανάπτυξη ενός πρωτότυπου και καινοτόμου λογισμικού, που μπορεί να χρησιμοποιηθεί ως ένα σύγχρονο εργαλείο υποστήριξης λήψης αποφάσεων, που παρέχει χρήσιμες πληροφορίες για την εξέλιξη του μεταφορικού φόρτου, την αποτελεσματική λειτουργία και την βέλτιστη διαχείριση ενός μεταφορικού συστήματος.

show abstract