Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model (2019)
- Authors:
- Autor USP: BATISTA, GUSTAVO ENRIQUE DE ALMEIDA PRADO ALVES - ICMC
- Unidade: ICMC
- DOI: 10.1016/j.ins.2019.01.076
- Subjects: APRENDIZADO COMPUTACIONAL; ANÁLISE DE SÉRIES TEMPORAIS; MINERAÇÃO DE DADOS
- Keywords: Univariate analysis; Automatic parameter tuning; Multi-step-ahead prediction; Time series forecasting
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título: Information Sciences
- ISSN: 0020-0255
- Volume/Número/Paginação/Ano: v. 484, p. 302-337, May 2019
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
PARMEZAN, Antonio Rafael Sabino e SOUZA, Vinícius M. A e BATISTA, Gustavo Enrique de Almeida Prado Alves. Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model. Information Sciences, v. 484, p. 302-337, 2019Tradução . . Disponível em: https://doi.org/10.1016/j.ins.2019.01.076. Acesso em: 01 mar. 2026. -
APA
Parmezan, A. R. S., Souza, V. M. A., & Batista, G. E. de A. P. A. (2019). Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model. Information Sciences, 484, 302-337. doi:10.1016/j.ins.2019.01.076 -
NLM
Parmezan ARS, Souza VMA, Batista GE de APA. Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model [Internet]. Information Sciences. 2019 ; 484 302-337.[citado 2026 mar. 01 ] Available from: https://doi.org/10.1016/j.ins.2019.01.076 -
Vancouver
Parmezan ARS, Souza VMA, Batista GE de APA. Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model [Internet]. Information Sciences. 2019 ; 484 302-337.[citado 2026 mar. 01 ] Available from: https://doi.org/10.1016/j.ins.2019.01.076 - Time series classification with motifs and characteristics
- Uma avaliação sobre a identificação de Motifs em séries temporais
- A fuzzy classifier for data streams with infinitely delayed labels
- Fast unsupervised online drift detection using incremental Kolmogorov-Smirnov test
- A complexity-invariant measure based on fractal dimension for time series classification
- Towards automatic classification on flying insects using inexpensive sensors
- Data mining a trillion time series subsequences under dynamic time warping
- Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais
- Unsupervised context switch for classification tasks on data streams with recurrent concepts
- On the need of class ratio insensitive drift tests for data streams
Informações sobre o DOI: 10.1016/j.ins.2019.01.076 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
