Ograniczanie wyników
Czasopisma help
Autorzy help
Lata help
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 68

Liczba wyników na stronie
first rewind previous Strona / 4 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  Autoregressive integrated moving average (ARIMA) models
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 4 next fast forward last
Jedną z najistotniejszych cech procesu obciążenia mocą elektryczną jest jego wielookresowa zmienność: dobowa, tygodniowa, sezonowa. Uwzględniając tę właściwość, w artykule zaproponowano wykorzystanie wielosezonowych modeli ARIMA do prognozowania obciążeń mocą elektryczną. Przedstawiono zatem metodykę budowy takich modeli oraz ich wykorzystanie do prognozowania jednowymiarowych szeregów czasowych. Opisano i przedyskutowano kolejne etapy tworzenia modelu wielosezonowego: analizę dostępu szeregu czasowego, transformację danych, identyfikację potencjalnych modeli, estymację parametrów modeli oraz wybór modelu optymalnego. Przeprowadzono dyskusję wyboru modelu oraz dokonano jego sprawdzenia diagnostycznego. Tak wybrany model był podstawą obliczenia prognozy obciążenia mocą elektryczną wybranego obszaru. (fragment tekstu)
Modele MARIMA są jedną z klas modeli szeregów czasowych, która dzięki swoim własnościom może znaleźć praktyczne zastosowanie w wielu dziedzinach. Modele te nie są jednak często stosowane. W większości popularnych programów komputerowych do statystycznej analizy danych nie ma zaimplementowanych algorytmów identyfikacji modeli MARIMA oraz estymacji ich parametrów. SCA Statistical System jest jednym z nielicznych, który oferuje takie możliwości. W artykule przedstawiono metodykę budowy modeli MARIMA z wykorzystaniem programu SCA. Na przykładzie analizy szeregu czasowego wartości sprzedaży przedyskutowano kolejne etapy tworzenia modeli: identyfikację, estymację, diagnostykę i prognozowanie. (fragment tekstu)
Ważną klasę modeli szeregów czasowych są modele: autoregresyjne, średniej ruchomej oraz mieszane modele autoregresyjne i średniej ruchomej. Są one stosowane do modelowania i prognozowania na podstawie stacjonarnych szeregów czasowych. Metody szacowania parametrów takich modeli szeregów czasowych są zawarte w dostępnych programach statystycznych i ekonometrycznych. W modelach ARIMA bardzo ważnym etapem analizy szeregów, poprzedzającym estymację parametrów, jest identyfikacja rodzaju i rzędu modelu przeprowadzana na podstawie wzorców generycznych oraz wiedzy eksperckiej analityka. Pomiary sygnałów stochastycznych są obarczone zwykle losowymi błędami. Poziom błędów losowych pomiaru, akceptowalny ze względu na rozpoznawalność mierzonego sygnału, zależy od amplitudy wahań sygnału i jego charakteru. Biorąc pod uwagę specyfikę modelowania szeregów metodą Воха-Jenkinsa, postanowiono ocenić stopień wpływu zakłóceń losowych (błędów losowych pomiaru) o charakterze białego szumu o różnym poziomie wariancji na identyfikowalność postaci modeli oraz jakość estymacji parametrów szeregów: autoregresyjnych - ARIMA(1,0,0), średniej ruchomej - ARIMA(0,0,1) oraz mieszanych - ARIMA(1,0,1). (fragment tekstu)
4
Content available remote Predictors of Non-Stationary ARIMA Processes
100%
This article contains a comparison of stochastic properties of non-stationary ARIMA(p,k,q) regular processes and their predictors by means of frequency characteristics of gain function and function of phase angle.(fragment of text)
W artykule Wpływ poziomu zakłóceń losowych na możliwość identyfikacji modeli ARIMA autorzy przedstawili wyniki badań symulacyjnych dotyczących wpływu obecności zakłóceń losowych na prawidłowość identyfikacji typu oraz estymacji parametrów modeli ARIMA podstawowych procesów stacjonarnych. Ze względu na częstsze występowanie w praktyce procesów niestacjonarnych zdecydowano się na rozszerzenie zakresu badań i określenie wpływu zakłóceń losowych na rozpoznawalność modeli klasy ARIMA również dla tego typu szeregów. W niniejszym artykule przedstawiono wyniki badań wpływu zakłóceń losowych o charakterze białego szumu o różnym poziomie wariancji oraz zakłóceń o rozkładzie niesymetrycznym na identyfikowalność postaci i jakość estymacji modeli niestacjonarnych: autoregresyjnych - ARIMA(1,1,0), średniej ruchomej - ARIMA(0,1,1) oraz mieszanych - ARIMA(1,1,1). Zgodnie z metodyką zaproponowaną przez Boxa i Jenkinsa do oceny typu modelu wykorzystano funkcje autokorelacji (ACF) i autokorelacji cząstkowej (PACF). (fragment tekstu)
Prognozowanie popytu jest bardzo istotnym elementem działalności każdej firmy. W artykule dokonano analizy popytu na mleko, generowanego w Okręgowej Spółdzielni Mleczarskiej w Opolu Lubelskim, celem zaproponowania wiarygodnych modeli prognostycznych. Wykorzystując opracowaną przez Boxa i Jenkinsa metodologię, opracowano model ARIMA (Autoregressive Integrated Moving Average). (abstrakt oryginalny)
W niniejszym opracowaniu zostanie zaprezentowana jedna z metod prognozowania bezpośrednich inwestycji zagranicznych. Predykcji dokonano na podstawie danych statystycznych Banku Światowego dla Ameryki Południowej za lata 1977-2013, natomiast prognoza została sporządzona przy pomocy modelu ARIMA na lata 2014-2018. Wykorzystując modele ARIMA do prognozowania beżpośrednich inwestycji zagranicznych, można spotkać się z wieloma problemami m.in. dotyczącymi określenia rzędu różnicowania, ale też wyboru odpowiedniego rodzaju modelu. Jednak istotną zaletą metody ARIMA jest, iż wskazuje na wewnętrzną strukturę szeregu i objaśnia mechanizm jego generowania. Omawiany model jest teoretycznie uzasadniony i może być zaskakująco dobrą alternatywą w stosunku do innych metod (np.wielowymiarowych) modelowania. (abstrakt oryginalny)
Background: The decision-making process in the operational context of enterprises is an integral aspect of how they function, and in this area, precise demand forecasting plays a key role. The use of accurate forecasting models not only meets customer expectations but also enables efficient resource allocation and operational cost optimization. In the long term, such actions contribute to increasing the organization's competitiveness in the market. In recent years, there has been a growing trend in the use of advanced analytical technologies, including machine learning, for demand forecasting purposes. This scientific paper focuses on a comparative analysis of demand forecasting effectiveness using the generative language model GPT in relation to the auto ARIMA algorithm. Methods: A case study analysis for a selected manufacturing organization was conducted based on twelve diversified operational references, for which the supply chain mechanisms are heterogeneous. In the research process, a classification into four reference groups was established, based on the time required to complete the ordering process. Forecast generation was carried out using the auto.arima() algorithm in the R programming environment, as well as through the ChatGPT language model versions 3-5. The forecast results were subjected to comparative analysis, in which weighting was applied for different forecast accuracy indicators, including the Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the number of precisely predicted daily forecasts. Results: The study showed that ChatGPT is more reliable in forecasting compared to ARIMA. However, integrating ChatGPT into the existing systems in the company can be problematic, mainly due to limitations in data operations. Despite this, ChatGPT has the potential to improve the accuracy of inventory management plans both in the short and long term. Conclusions: The comparative analysis of the effectiveness of forecasting models, including ChatGPT and ARIMA, showed that the ChatGPT algorithm achieves higher levels of forecasting accuracy. This is observed despite increased computational complexity and challenges associated with processing large data sets(original abstract)
9
Content available remote Forecasting Commercial Vehicle Production Using Quantitative Techniques
75%
Firms selling commercial vehicles often face difficulties due to recessions in the globalized economy. Manufacturers are keen to anticipate demand in future quarters to optimize their production schedules. In this study, commercial vehicle production data from a leading Indian automotive manufacturer were analyzed using moving averages, exponential smoothing, seasonal decomposition and autoregressive integrated moving average (ARIMA) models with the goal of forecasting. The results reveal that the ARIMA (0,1,1) model effectively predicts the sectoral downturn coinciding with the global financial crisis of 2008. As life returns to normal after the financial crisis caused by COVID-19, such models may be used to strategically move past the disruption. (original abstract)
10
Content available remote Stochastic Unit Roots Processes - Identification and Application
75%
We analyzed a simple form of stochastic unit roots representation. The model belongs to the time-varying parameters class of models. We found that the state space form is most convenient for its formulation. Consequently we used the Kalman filter to estimate it. We found that some financial time series - represented here by WIG20 - are better characterized by the stochastic unit root model than by the exact unit root process. Finding of the stochastic unit roots in the economic time series extents our perception of real processes and shows the mechanism of their changes. It also gives a useful information of the limits of the standard unit roots tests.(fragment of text)
W artykule zaproponowano budowę rankingu funduszy inwestycyjnych wykorzystującego jako kryterium oceny wskaźniki selektywności i wyczucia rynku. Stworzono w tym celu zmienną syntetyczną, powstałą z zagregowania wskaźników selektywności i wyczucia rynku. Wzięto pod uwagę następujące zmienne diagnostyczne: współczynnik Sharpe’a, Treynora, Jensena, alfa Sharpe’a, γ w modelu Treynora-Mazuy’ego, β2 w modelu Henrikssona-Mertona. Wartości zmiennych zostały obliczone dla każdego miesiąca w okresie od czerwca 1999 r. do czerwca 2005 r. W obliczeniach wykorzystano tygodniowe stopy zwrotu funduszy inwestycyjnych dla tego okresu. Obliczone wartości wskaźników posłużyły do budowy rankingu funduszy inwestycyjnych pod względem efektywności zarządzania aktywami przez menedżerów. Podjęto również próbę modelowania szeregów czasowych statycznych i dynamicznych syntetycznych mierników z uwzględnieniem elementów prognozowania wartości tych wskaźników. Wykorzystano do tego celu modele klasy ARIMA. Trafność otrzymanych prognoz rankingów funduszy została zweryfikowana przy pomocy mierników dokładności predykcji ex ante oraz ex post. (abstrakt oryginalny)
The primary products of the power industry are electric energy and thermal energy. Thus, forecasting electric energy consumption is significant for short and long term energy planning. ARIMA model has adopted to forecast energy consumption because of its precise prediction for energy consumption. Our result has shown that annual average electric energy consumption will be 10,628 million kWh per year during 2019-2030 which approximately 3.3 percent growth per annum. At the moment, there is not a practice solution for the storage of electricity in Mongolia. Therefore, energy supply and demand have to be balanced in real-time for operational stability. Without an accurate forecast, the end-users may experience brownouts or even blackouts or the industry could be faced with sudden accidents due to the energy demand. For this reason, energy consumption fore casting is essential to power system stability and reliability. (original abstract)
13
75%
Cel: W przeprowadzonych badaniach wyznaczono profile sezonowości na rynku mieszkaniowym, co dało możliwość odpowiedzi na dwa zasadnicze pytania: Jaki charakter ma harmoniczna zmienność sezonowości i okresowości badanych składowych procesu budowlanego? Jakie parametry modelu ARIMA optymalnie opisują rynek budowlany? Metodyka: W przeprowadzonych badaniach, wykorzystując model X13-ARIMA-SEATS, dokonano dekompozycji sezonowej w poszczególnych etapach procesu budownictwa mieszkaniowego. Wyniki: Proces badawczy przeprowadzony w celu identyfikacji wahań sezonowych na rynku budownictwa mieszkaniowego wykazał, że można zidentyfikować harmoniczne profile wahań w ujęciu rocznym. Analizę wahań sezonowych przeprowadzono dla każdego z trzech etapów procesu budowy mieszkań, sprawdzając jednocześnie, jak profile te kształtują się dla Polski ogółem oraz dla inwestorów indywidualnych i budujących mieszkania na sprzedaż lub wynajem. Badanie wykazało, że rynek działalności deweloperskiej różni się charakterystyką sezonową od rynku inwestorów indywidualnych. Implikacje i rekomendacje: Wnioski uzyskane z badań mogą stanowić wsparcie w procesie podejmowania decyzji z perspektywy zarówno makro-, jak i mikroekonomicznej. Parametryzacja występujących wahań i uwzględnienie ich w procesie opracowywania prognozy może stanowić przesłankę decyzyjną w realizacji inwestycji deweloperskich. Oryginalność/Wartość: Nowością jest wykazanie, że rynek nieruchomości mieszkaniowych w Polsce charakteryzuje się różnymi parametrami sezonowymi w podziale na rynek inwestorów indywidualnych oraz inwestorów wznoszących mieszkania na sprzedaż lub wynajem.(abstrakt oryginalny)
Forecasting of prices of commodities, especially those of agricultural commodities, is very difficult because they are not only governed by demand and supply but also by so many other factors which are beyond control, such as weather vagaries, storage capacity, transportation, etc. In this paper time series models namely ARIMA (Autoregressive Integrated Moving Average) methodology given by Box and Jenkins has been used for forecasting prices of Groundnut oil in Mumbai. This approach has been compared with ANN (Artificial Neural Network) methodology. The results showed that ANN performed better than the ARIMA models in forecasting the prices. (original abstract)
Zaprezentowano ogólne zasady wygładzania szeregów czasowych za pomocą metody X-12-ARIMA przy wykorzystaniu systemu Demetra. Zwrócono uwagę na te elementy metody X-12-ARIMA, w które został wyposażony program Demetra, a także te odróżniające tę metodę od wcześniejszej wersji - X-11-ARIMA.
W artykule zaprezentowano metodę krótkookresowego prognozowania rynku pracy w województwie lubelskim, w tym poziomu bezrobocia i zatrudnienia. Badania przeprowadzono w latach 2005-2008. Do budowy prognoz zastosowano modele ARIMA z dodatkowo wprowadzonymi zmiennymi egzogenicznymi, tj. wartościami barometrów nastrojów gospodarczych lub saldami odpowiedzi na poszczególne pytania ankietowe. W pracy opisano procedurę wyboru optymalnych modeli, testowanie jakości oraz ich właściwości prognostycznych i podsumowanie postawionych w czasie okresu badawczego prognoz na podstawie błędów ex post.(abstrakt oryginalny)
Accession of Poland to the European Union meant that its eastern border became the external frontier of the Community. The next step in the European integration was joining the Schengen Zone by Poland. Polish citizens may freely travel throughout the Schengen Zone and the state was obliged to tighten its eastern border. Under these circumstances conducting research on passenger traffic has become a vital issue, with particular focus on the eastern frontier. In the article an attempt is made at examining the possibility of forecasting passenger traffic on the example of border crossing points between the Subcarpathian Province and Ukraine using the ARIMA models. Confirmation of these possibilities seems to be crucial as the number of people crossing the border is characterized by high variability and sensitivity to the political situation. The study is based on the information provided by the Polish Border Guard. The conducted time series analysis is of a multi-purpose character. It may be used to support decision making processes of investment, organizational, as well as socio-political nature. (original abstract)
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 nonpharmaceutical countermeasures on the dynamics of the epidemic. (original abstract)
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.(abstrakt oryginalny)
Celem artykułu było opracowanie modelu prognozowania popytu na usługi transportowe operatora intermodalnego. Na podstawie udostępnionych danych, dotyczących liczby eksportowanych kontenerów, przedstawiono proces opisania zjawiska na podstawie jego przeszłych obserwacji, a także jego ewolucji w przyszłości. Zaproponowano dwa modele: regresji oraz ARIMA. Dla każdego z nich dokonano predykcji przyszłych obserwacji. Otrzymane wartości prognoz porównano i na tej podstawie wybrano model opisujący lepiej badane zjawisko, tzn. dający mniejszy błąd prognozy. (abstrakt oryginalny)
first rewind previous Strona / 4 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.