Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "model ARIMA" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Metodyka wielokryterialnej analizy zmian stóp bezrobocia wybranych gospodarek światowych oraz prognozowanie modelem ARIMA stopy bezrobocia USA na przyszłość
    Methodology of Multi-criteria Analysis of Changes in Unemployment Rates in Selected World Economies and Forecasting with the ARIMA Model of the US Unemployment Rate for the Future
    Autorzy:
    Kozicki, Bartosz
    Žukovskis, Jan
    Mizura, Grzegorz
    Powiązania:
    https://bibliotekanauki.pl/articles/23945046.pdf
    Data publikacji:
    2020-03-23
    Wydawca:
    Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
    Tematy:
    bezrobocie
    prognozowanie
    model ARIMA
    unemployment
    forecasting
    ARIMA model
    Opis:
    W artykule przedstawiono metodykę wielokryterialnej analizy stóp procentowych bezrobocia w wybranych gospodarkach światowych oraz próby przeprowadzenia prognozowania stopy bezrobocia w USA na trzy przyszłe okresy. Badania rozpoczęto od analizy wielowymiarowej zmienności stóp procentowych bezrobocia w wybranych gospodarkach światowych w ujęciu sześciomiesięcznym w latach 2011-2018. Następnie przeprowadzono jej ocenę. Dalszym etapem badania była analiza i ocena szeregu czasowego danych dotyczących stóp procentowych bezrobocia w USA w ujęciu dynamicznym. Następnie zbudowano model prognostyczny ARIMA i wykonano prognozowanie na trzy przyszłe okresy.
    The article presents the methodology of multi-criteria analysis of unemployment interest rates in selected world economies, and an attempt to forecast the unemployment rate in the USA for three future periods. The research began with an analysis of the multidimensional volatility of unemployment interest rates in selected world economies on a six-month basis in 2011-2018. It was then assessed. The next stage of the study was the analysis and evaluation of the time series of data on the US unemployment interest rates in dynamic terms. Then, the ARIMA forecast model was built and forecasting for three future periods was performed.
    Źródło:
    Nowoczesne Systemy Zarządzania; 2020, 15, 1; 71-85
    1896-9380
    2719-860X
    Pojawia się w:
    Nowoczesne Systemy Zarządzania
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Time series analysis of reference crop evapotranspiration for Bokaro District, Jharkhand, India
    Analiza serii czasowych ewapotranspiracji potencjalnej upraw w dystrykcie Bokaro, Jharkhand, Indie
    Autorzy:
    Gautam, R.
    Sinha, A. K.
    Powiązania:
    https://bibliotekanauki.pl/articles/293179.pdf
    Data publikacji:
    2016
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    ARIMA model
    evapotranspiration
    forecasting
    time series
    ewapotranspiracja
    model ARIMA
    prognozowanie
    serie czasowe
    Opis:
    Evapotranspiration is the one of the major role playing element in water cycle. More accurate measurement and forecasting of Evapotranspiration would enable more efficient water resources management. This study, is therefore, particularly focused on evapotranspiration modelling and forecasting, since forecasting would provide better information for optimal water resources management. There are numerous techniques of evapotranspiration forecasting that include autoregressive (AR) and moving average (MA), autoregressive moving average (ARMA), autoregressive integrated moving average (ARIMA), Thomas Feiring, etc. Out of these models ARIMA model has been found to be more suitable for analysis and forecasting of hydrological events. Therefore, in this study ARIMA models have been used for forecasting of mean monthly reference crop evapotranspiration by stochastic analysis. The data series of 102 years i.e. 1224 months of Bokaro District were used for analysis and forecasting. Different order of ARIMA model was selected on the basis of autocorrelation function (ACF) and partial autocorrelation (PACF) of data series. Maximum likelihood method was used for determining the parameters of the models. To see the statistical parameter of model, best fitted model is ARIMA (0, 1, 4) (0, 1, 1)12.
    Ewapotranspiracja jest jednym z głównych elementów obiegu wody. Dokładniejsze pomiary i możliwość prognozowania ewapotranspiracji mogłyby umożliwić wydajniejsze zarządzanie zasobami wodnymi. Dlatego prezentowane w niniejszej pracy badania skoncentrowane były na modelowaniu i prognozowaniu ewapotranspiracji, ponieważ prognozowanie zapewni więcej informacji do optymalnego zarządzania zasobami wodnymi. Istnieje wiele technik prognozowania ewapotranspiracji, takich jak autoregresja (AR), średnia ruchoma (MA), autoregresyjna średnia ruchoma (ARMA), autoregresyjna zintegrowana średnia ruchoma (ARIMA), metoda Thomasa– Feiringa i inne. Stwierdzono, że spośród nich ARIMA jest bardziej odpowiednia do analizy i prognozowania zdarzeń hydrologicznych. Z tego powodu wykorzystano model ARIMA do prognozowania miesięcznych średnich wartości ewapotranspiracji potencjalnej poprzez analizę stochastyczną. Do analiz i prognozowania użyto serii danych ze 102 lat (1224 miesiące) z dystryktu Bokaro. Na podstawie funkcji autokorelacji (ACF) i cząstkowych autokorelacji (PACF) serii danych wybrano różny porządek modelu ARIMA. Do wyznaczenia parametrów modelu wykorzystano metodę maksymalnego prawdopodobieństwa. Najlepiej dostosowanymi parametrami statystycznymi modelu okazały się ARIMA (0, 1, 4) (0, 1, 1)12.
    Źródło:
    Journal of Water and Land Development; 2016, 30; 51-56
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modeling and Forecasting of Monthly Global Price of Bananas Using Seasonal Arima And Multilayer Perceptron Neural Network
    Modelowanie i prognozowanie miesięcznej globalnej ceny bananów z wykorzystaniem sezonowej ARIMA i wielowarstwowej sieci neuronowej perceptronowej
    Autorzy:
    Chi, Yeong Nain
    Chi, Orson
    Powiązania:
    https://bibliotekanauki.pl/articles/1748958.pdf
    Data publikacji:
    2021
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    bananas
    global price
    time series
    modeling
    forecasting
    seasonal ARIMA
    multilayer perceptron neural network
    banany
    cena globalna
    szeregi czasowe
    modelowanie
    prognozowanie
    sezonowy model ARIMA
    wielowarstwowa sieć neuronowa perceptronowa
    Opis:
    The primary purpose of this study was to pursue the analysis of the time series data and to demonstrate the role of time series model in the predicting process using long-term records of the monthly global price of bananas from January 1990 to November 2020. Following the Box-Jenkins methodology, ARIMA(4,1,2)(1,0,1)[12] with the drift model was selected to be the best fit model for the time series, according to the lowest AIC value in this study. Empirically, the results revealed that the MLP neural network model performed better compared to ARIMA(4,1,2)(1,0,1)[12] with the drift model at its smaller MSE value. Hence, the MLP neural network model can provide useful information important in the decision-making process related to the impact of the change of the future global price of bananas. Understanding the past global price of bananas is important for the analyses of current and future changes of global price of bananas. In order to sustain these observations, research programs utilizing the resulting data should be able to improve significantly our understanding and narrow projections of the future global price of bananas.
    Podstawowym celem tego badania była analiza danych szeregów czasowych oraz wskazanie ważności modelu szeregów czasowych w procesie predykcji z wykorzystaniem długoterminowych zapisów miesięcznej ceny bananów na świecie od stycznia 1990 r. do listopada 2020 r. Zgodnie z metodologią Boxa-Jenkinsa wybrano jako najlepiej dopasowany dla szeregu czasowego model ARIMA(4,1,2)(1,0,1)[12] z dryfem, zgodnie z najniższą wartością AIC. Na podstawie wyników empirycznych stwierdzono, że model sieci neuronowej MLP działał lepiej w porównaniu z modelem ARIMA(4,1,2)(1,0,1)[12] z dryfem z mniejszą wartością MSE. Wynika z tego, że model sieci neuronowej MLP może dostarczyć użytecznych informacji, które są ważne w procesie decyzyjnym dotyczącym wpływu zmian przyszłej globalnej ceny bananów. Postrzeganie przeszłych światowych cen bananów jest ważne dla analiz zarówno bieżących, jak i przyszłych zmian światowych cen. Aby podtrzymać te obserwacje, programy badawcze wykorzystujące uzyskane dane powinny umożliwiać znaczne poprawianie wnioskowania i zawężać prognozy przyszłych światowych cen bananów.
    Źródło:
    Econometrics. Ekonometria. Advances in Applied Data Analytics; 2021, 25, 3; 21-41
    1507-3866
    Pojawia się w:
    Econometrics. Ekonometria. Advances in Applied Data Analytics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    ARIMA-based forecasting of the dynamics of confirmed Covid-19 cases for selected European countries
    Autorzy:
    Kufel, Tadeusz
    Powiązania:
    https://bibliotekanauki.pl/articles/22444425.pdf
    Data publikacji:
    2020
    Wydawca:
    Instytut Badań Gospodarczych
    Tematy:
    Covid-19 epidemic
    ARIMA model
    forecasting
    infection control
    non-pharmaceutical intervention
    Opis:
    Research background: On 11 March 2020, the Covid-19 epidemic was identified by the World Health Organization (WHO) as a global pandemic. The rapid increase in the scale of the epidemic has led to the introduction of non-pharmaceutical countermeasures. Forecast of the Covid-19 prevalence is an essential element in the actions undertaken by authorities. Purpose of the article: The article aims to assess the usefulness of the Auto-regressive Integrated Moving Average (ARIMA) model for predicting the dynamics of Covid-19 incidence at different stages of the epidemic, from the first phase of growth, to the maximum daily incidence, until the phase of the epidemic's extinction. Methods: ARIMA(p,d,q) models are used to predict the dynamics of virus distribution in many diseases. Model estimates, forecasts, and the accuracy of forecasts are presented in this paper. Findings & Value added: Using the ARIMA(1,2,0) model for forecasting the dynamics of Covid-19 cases in each stage of the epidemic is a way of evaluating the implemented non-pharmaceutical countermeasures on the dynamics of the epidemic.
    Źródło:
    Equilibrium. Quarterly Journal of Economics and Economic Policy; 2020, 15, 2; 181-204
    1689-765X
    2353-3293
    Pojawia się w:
    Equilibrium. Quarterly Journal of Economics and Economic Policy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Stochastic ARIMA model for annual rainfall and maximum temperature forecasting over Tordzie watershed in Ghana
    Stochastyczny model ARIMA do prognozowania rocznego opadu i maksymalnej temperatury w zlewni Tordzie w Ghanie
    Autorzy:
    Nyatuame, M.
    Agodzo, S. K.
    Powiązania:
    https://bibliotekanauki.pl/articles/292306.pdf
    Data publikacji:
    2018
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    ARIMA
    forecasting
    rainfall model
    temperature
    Tordzie watershed
    modele opadu
    prognozowanie
    temperatura
    zlewnia Tordzie
    Opis:
    The forecast of rainfall and temperature is a difficult task due to their variability in time and space and also the inability to access all the parameters influencing rainfall of a region or locality. Their forecast is of relevance to agriculture and watershed management, which significantly contribute to the economy. Rainfall prediction requires mathematical modelling and simulation because of its extremely irregular and complex nature. Autoregressive integrated moving average (ARIMA) model was used to analyse annual rainfall and maximum temperature over Tordzie watershed and the forecast. Autocorrelation function (ACF) and partial autocorrelation function (PACF) were used to identify the models by aid of visual inspection. Stationarity tests were conducted using the augmented Dickey–Fuller (ADF), Mann–Kendall (MK) and Kwiatkowski–Phillips–Schmidt–Shin (KPSS) tests respectively. The chosen models were evaluated and validated using the Akaike information criterion corrected (AICC) and also Schwartz Bayesian criteria (SBC). The diagnostic analysis of the models comprised of the independence, normality, homoscedascity, P–P and Q–Q plots of the residuals respectively. The best ARIMA model for rainfall for Kpetoe and Tordzinu were (3, 0, 3) and (3, 1, 3) with AICC values of 190.07 and 178.23. That of maximum temperature for Kpetoe and Tordzinu were (3, 1, 3) and (3, 1, 3) and the corresponding AICC values of 23.81 and 36.10. The models efficiency was checked using sum of square error (SSE), mean square error (MSE), mean absolute percent error (MAPE) and root mean square error (RMSE) respectively. The results of the various analysis indicated that the models were adequate and can aid future water planning projections.
    Prognozowanie opadu i temperatury jest trudnym zadaniem z powodu zmienności tych parametrów w czasie i przestrzeni, a także nieznajomości wszystkich czynników wpływających na opady w regionie czy w danej miejscowości. Prognozowanie opadów jest ważne dla rolnictwa i gospodarki zlewniowej, mających znaczący wkład w gospodarkę regionu. Przewidywanie opadu wymaga modelowania matematycznego i symulacji z powodu jego skrajnie nieregularnego i złożonego charakteru. Do analizy i prognozowania rocznych opadów i maksymalnej temperatury w zlewni Tordzie wykorzystano autoregresyjny zintegrowany model średniej ruchomej (ARIMA). Do zidentyfikowania modeli metodą oglądu wizualnego użyto funkcji autokorelacji (ACF) i cząstkowej autokorelacji (PACF). Testy stacjonarności przeprowadzono za pomocą testów Dickeya–Fullera (ADF), Manna–Kendalla (MK) i Kwiatkowskiego–Phillipsa–Schmidta–Shina (KPSS). Wybrane modele poddano ocenie i walidacji z użyciem skorygowanego kryterium Akaike (AICC) i Bayesowskiego kryterium Schwartza (SBC). Diagnostyczna analiza modeli obejmowała niezależność, normalność, homoscedastyczność, wykresy P–P i Q–Q dla reszt. Najlepsze modele ARIMA dla opadu w Kpetoe i Tordzinu miały postać (3, 0, 3) i (3, 1, 3), gdy wartości AICC równe odpowiednio 190,07 i 178,23. Modele dla maksymalnej temperatury w Kpetoe i Tordzinu miały postać (3, 1, 3) i (3, 1, 3), a ich odpowiednie wartości AICC wynosiły 23,81 i 36,10. Wydajność modelu sprawdzano, wykorzystując sumę błędu kwadratowego (SSE), średni błąd kwadratowy (MSE), średni bezwzględny błąd procentowy (MAPE) i pierwiastek ze średniego błędu kwadratowego (RMSE). Wyniki różnych analiz wykazały, że modele są odpowiednie i mogą stanowić pomoc w przyszłej gospodarce wodnej.
    Źródło:
    Journal of Water and Land Development; 2018, 37; 127-140
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies