HORÁK, Jakub a Veronika MACHOVÁ. Comparison of neural networks and regression time series on forecasting development of US imports from the PRC. Littera Scripta. České Budějovice: The Institute of Technology and Business in České Budějovice, roč. 12, č. 1, s. 22-36. ISSN 1805-9112. 2019.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Comparison of neural networks and regression time series on forecasting development of US imports from the PRC
Název česky Srovnání neuronových sítí a regresních časových řad o předpovědi vývoje dovozů z USA z ČLR
Autoři HORÁK, Jakub a Veronika MACHOVÁ.
Vydání Littera Scripta, České Budějovice, The Institute of Technology and Business in České Budějovice, 2019, 1805-9112.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 50200 5.2 Economics and Business
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Organizační jednotka Vysoká škola technická a ekonomická v Českých Budějovicích
Klíčová slova česky regresní časové řady; neuronové sítě; predikce; import
Klíčová slova anglicky regression time series; neural networks; prediction; import
Štítky ERIH, MAE_a
Změnil Změnila: Ing. Anna Palokha, učo 18083. Změněno: 30. 1. 2020 07:46.
Anotace
The contribution deals primarily with the development and prediction of the PRC export to the USA, comparing traditional statistical methods in the form of regression analysis of time series and artificial neural networks, which are a very important prediction tools, and become an integral part of modelling and predicting certain development of time series based on the statistical data.
Anotace česky
Článek se zabývá primárně vývojem a prognózou dovozu z ČLR do USA, přičemž dochází ke komparaci tradiční statistické metody v podobě regresní analýzy časových řad a umělých neuronových sítí, které jsou velmi užitečným nástrojem pro prognózu a stávají se nedílnou součástí modelace a předpovědi určitého vývoje časových řad na základě historických dat.
VytisknoutZobrazeno: 29. 3. 2024 11:00