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 "ARIMA Model" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    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:
    Research on the combustion process using time series
    Badania procesu spalania z wykorzystaniem szeregów czasowych
    Autorzy:
    Grądz, Żaklin
    Powiązania:
    https://bibliotekanauki.pl/articles/407883.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    time series
    ARIMA model
    flame luminosity
    szereg czasowy
    model ARIMA
    jasność świecenia płomienia
    Opis:
    In the combustion process, one of the most important tasks is related to maintaining its stability. Numerous methods of monitoring, diagnostics, and analysis of the measurement data are used for this purpose. The information recorded in the combustion chamber constitute one-dimensional time series. In the case of non-stationary time series, which can be transformed into the stationary form, the autoregressive integrated moving average process can be employed. The paper presented the issue of forecasting the changes in flame luminosity. The investigations discussed in the work were carried out with the ARIMA model (p,d,q). The presented forecasts of changes in flame luminosity reflect the actual processes, which enables to employ them in diagnostics and control of the combustion process.
    W procesie spalania jednym z najważniejszych zadań jest zachowanie jego stabilności. Do tego celu wykorzystywanych jest wiele metod z zakresu monitorowania, diagnostyki i analizy danych pomiarowych. Zarejestrowane w komorze spalania informacje są jednowymiarowymi szeregami czasowymi. W przypadku niestacjonarnych szeregów czasowych, które można przekształcić do formy stacjonarnej, znalazły zastosowanie scałkowane procesy autoregresji i średniej ruchomej. W artykule przedstawiono problematykę prognozowania zmian intensywności świecenia płomienia. Badania zaprezentowane w pracy zostały przeprowadzone z wykorzystaniem modelu ARIMA(p,d,q). Przedstawione prognozy zmian intensywność świecenia płomienia odwzorowują rzeczywiste przebiegi, co pozwala wykorzystać je w diagnostyce i sterowaniu procesem spalania.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2020, 10, 2; 52-55
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    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
      Wyświetlanie 1-3 z 3

      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