Resumen

En el modelo clásico de predicción multivariante, la mayoría de los estudios de investigación se enfocaron en la selección de factores de comportamiento relevantes y en la estabilidad de los datos históricos para mejorar la precisión de predicción del factor de comportamiento principal, y los datos históricos del factor de comportamiento principal nunca han sido considerados como un factor de comportamiento relevante, que de hecho puede ser el primer factor de impacto clave; además, los datos históricos pueden predecir directamente el comportamiento principal en el modelo de pronóstico de series temporales, como el modelo ARIMA. En este documento, se presenta un modelo de regresión lineal múltiple modificado combinado con la teoría de pronóstico de series temporales y se aplica en el pronóstico de consumo de granos. En el modelo propuesto, para mejorar el pronóstico actual de consumo de granos, también se discute cómo seleccionar factores de impacto mediante la combinación del grado de relación gris y el coeficiente de correlación de Pearson con pesos dados, y se calcula el parámetro de preprocesamiento ó

• Materias:Teoremas Semigrupos Captura de vectores Vértice reflexivo Funciones trigonométricas
• Subjects:Theorems Semigroups Vector capture Reflexive vertex Trigonometric functions
• Palabras claves:Modelo de predicción multivariante clásico; Datos históricos; Factores de comportamiento; Factores de impacto; Modelo de pronóstico de series temporales; Modelo de regresión lineal múltiple
• Keywords:Classical multivariate prediction model; Historical data; Behaviour factors; Impact factors; Time series forecasting model; MLR model