Добірка наукової літератури з теми "Модель ARIMA"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Модель ARIMA".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Модель ARIMA"
Б. Б., Раднаев, Цыбиков А. С. та Хабитуев Б. В. "ARIMA-МОДЕЛЬ ПУЛЬСОВОГО СИГНАЛА". Bulletin of the Buryat State University Mathematics Informatics 100, № 1 (2017): 78–85. http://dx.doi.org/10.18101/2304-5728-2017-1-78-85.
Повний текст джерелаХудов, Г. В., О. М. Маковейчук, І. М. Бутко та І. А. Хижняк. "Модель прогнозування геопросторових даних в системах обробки геопросторової інформації". Системи озброєння і військова техніка, № 2(66) (21 травня 2021): 123–28. http://dx.doi.org/10.30748/soivt.2021.66.16.
Повний текст джерелаЖигайло, О. М., та М. М. Топор. "АВТОМАТИЗОВАНА ПОБУДОВА МОДЕЛЕЙ ПРОГНОЗУВАННЯ ЗБУТУ ХЛІБОБУЛОЧНИХ ВИРОБІВ". Automation of technological and business processes 11, № 2 (26 червня 2019): 24–30. http://dx.doi.org/10.15673/atbp.v11i2.1372.
Повний текст джерелаСердюк, К., та O. П’ятикоп. "Вибір моделі прогнозування індивідуальних навантажень ходьби людини." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 44 (29 жовтня 2021): 60–65. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-10.
Повний текст джерелаЛакман, И. А., Р. А. Аскаров, В. Б. Прудников, З. Ф. Аскарова та В. М. Тимирьянова. "Прогнозирование смертности по причинам в Республике Башкортостан на основе модели Ли–Картера". «Проблемы прогнозирования» 2021 №5, No 5, 2021 (25 вересня 2021): 124–38. http://dx.doi.org/10.47711/0868-6351-188-124-138.
Повний текст джерелаРодионова, Лилия Анатольевна, та Елена Дмитриевна Копнова. "Статистические подходы к анализу и моделированию сезонности в демографических данных". Демографическое обозрение 6, № 2 (1 липня 2019): 104–41. http://dx.doi.org/10.17323/demreview.v6i2.9874.
Повний текст джерелаChernigovskiy, A. V., M. V. Krivov, and A. L. Istomin. "Investigating Network Traffic and Selecting a Matching Mathematical Model." Herald of the Bauman Moscow State Technical University. Series Instrument Engineering, no. 3 (132) (September 2020): 84–99. http://dx.doi.org/10.18698/0236-3933-2020-3-84-99.
Повний текст джерелаChaban, V. I., S. P. Kliavzo, O. U. Podobed, and S. A. Chernyh. "Sunflower yield forecast using ARIMA time series models." Scientific Journal Grain Crops 5, no. 2 (2022): 267–74. http://dx.doi.org/10.31867/2523-4544/0185.
Повний текст джерелаFel’ker, M. N., and V. V. Chesnov. "STUDY OF THE INFLUENCE OF CHANGING THE PARAMETERS OF THE ARIMA MODEL ON THE QUALITY OF THE FORECAST FOR SHORT DATA SETS." Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics 21, no. 3 (August 2021): 36–46. http://dx.doi.org/10.14529/ctcr210304.
Повний текст джерелаBalagula, Y. "Forecasting daily spot prices in the Russian electricity market with the ARFIMA model." Applied Econometrics 57 (2020): 89–101. http://dx.doi.org/10.22394/1993-7601-2020-57-89-101.
Повний текст джерелаДисертації з теми "Модель ARIMA"
Філатова, Ганна Петрівна, Анна Петровна Филатова та Hanna Petrivna Filatova. "Прогнозування державного боргу з використанням ARIMA моделі". Thesis, ЦФЕНД, 2020. https://essuir.sumdu.edu.ua/handle/123456789/84293.
Повний текст джерелаЛогін, Вадим Вікторович. "Моделі для прогнозування характеристик трафіка цифрової реклами". Master's thesis, Київ, 2018. https://ela.kpi.ua/handle/123456789/23748.
Повний текст джерелаModels for forecasting parameters of digital advertising traffic. Master's thesis: 112 p., 48 fig., 40 tabl., 3 appendixes and 30 sources. The object of study – digital advertising traffic in the form of statistical data. Subject of research – models and methods of analysis of data in the form of time series, methods of applied statistics. Purpose – constructing time series models for forecasting the most important characteristics of digital advertising traffic. Methods of research – time series models for forecasting data and comparative analysis of the obtained models. This paper presents the results of construction of time series models, which are intended for forecasting of the most important characteristics of digital advertising traffic. Described the results of the comparative analysis of the obtained models with the help of information criteria, and also in terms of their accuracy. Was found that for our task, the best model is the ARIMAX model (Autoregressive integrated moving-average model with exogenous inputs). Therefore, it is recommended to use this model for further research. Based on master's dissertation were written theses as well as a scientific article. The theses will be published in the SAIT-2018 conference Book of Abstracts. The scientific article will be published in the electronic collection of reports at the CEUR publishing house (CEUR Workshop Proceedings). The further development of the research object – is the construction of new ones, as well as the improvement of existing time series models for forecasting the most important characteristics of digital advertising traffic. And also – it is a generalization of the research, conducted in this paper, on the analysis of individual sites from the digital advertising traffic.
Орехова, Я. В. "Прогнозування динаміки курсу Bitcoin на основі фрактального аналізу". Master's thesis, Сумський державний університет, 2020. https://essuir.sumdu.edu.ua/handle/123456789/81572.
Повний текст джерелаThe paper examines the features of analysis and modeling of cryptocurrencies based on fractal analysis. The main purpose of this work is to build a mathematical model for predicting the dynamics of the Bictoin course in order to improve the accuracy of forecasting. The key research methods are R/S-analysis and ARIMA-model, which were implemented using MS Excel and Statistica software.
Рожкова, М. С., та M. S. Rozhkova. "Прогнозування значень економічних показників методами вейвлет-аналізу". Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/85064.
Повний текст джерелаThe paper examines the study of the effectiveness of wavelet transforms for forecasting the UX-index, the main indicator of the Ukrainian stock market. The main purpose of the work is to perform prediction of the UX-index by wavelet analysis methods to obtain high-quality results. The basic methods for the study are R /S-analysis, wavelet transform of the Dobeshi family, ARIMA-model, which were implemented using software products: MatLab та Statistica.
Демківська, Т. І., та Є. О. Демківський. "Моделювання часових рядів за допомогою авторегресійних моделей". Thesis, Київський національний університет технологій та дизайну, 2017. https://er.knutd.edu.ua/handle/123456789/6661.
Повний текст джерелаКардашевська, Маргарита Анатоліївна. "Прогнозування динаміки цін на нафту". Магістерська робота, 2020. https://dspace.znu.edu.ua/jspui/handle/12345/2470.
Повний текст джерелаUA : У роботі досліджено динаміку світової ціни на нафту. Розглянуто структуру ціноутворення на світовому ринку нафти. Проаналізовано фактори, що впливають на динаміку світових цін на нафту. Фундаментальним фактором впливу на світову ціну нафти визначено співвідношення попиту та пропозиції. Зроблено огляд методів та інструментів для прогнозування часових рядів динаміки світових цін на нафту. Проведено фундаментальний аналіз динаміки світових цін на нафту. Проаналізовано динаміку світових цін на нафту методами статистичного аналізу та методами дискретної нелінійної динаміки. Для проведення фрактального аналізу досліджено часовий ряд світових цін на нафту марки Brent за період з 02.01.2013 по 16.12.2019. Проведено технічний аналіз досліджуваного часового ряду з використанням програмного середовища мови R. У ході технічного аналізу отримано три конкуруючі ARIMA моделі. Оцінено отримані моделі за інформаційним критерієм Акаіке (АІС) та відібрано найкращу модель – ARIMA(0,1,1). Побудовано прогноз світових цін на нафту. За горизонт прогнозування взято значення показника глибини пам’яті, отриманого у результаті комплексного фрактального аналізу характеристик часового ряду. Удосконалено метод оцінки параметрів ARIMA моделі, який на відміну від існуючого, базується на отриманих у результаті комплексного фрактального аналізу характеристиках часового ряду.
EN : The dynamics of the world oil price is investigated. The pricing structure in the world oil market is considered. The factors that influence the dynamics of world oil prices are analyzed. The fundamental factor, the impact on oil prices, determines the ratio of supply and demand. An overview of methods and tools for forecasting the time series of the dynamics of world oil prices has been made. A fundamental analysis of the dynamics of world oil prices has been carried out. The dynamics of world prices are analyzed using statistical analysis methods and discrete nonlinear dynamics methods. For the purpose of fractal analysis the time series of world Brent crude oil prices for the period from 02.01.2013 to 16.12.2019 has been investigated. A technical analysis of the investigated time series was performed using the R. language software environment. Three competing ARIMA models were obtained during the technical analysis. The models obtained were evaluated using the AIC criterion and the best model was selected – ARIMA (0,1,1). Forecast of world oil prices has been made. The prediction horizon is taken as the value of the memory depth index obtained from a complex fractal analysis of time series characteristics. The method of estimating the parameters of the ARIMA model, which, unlike the existing one, is based on the fractal analysis of the time series characteristics obtained as a result.
Тези доповідей конференцій з теми "Модель ARIMA"
Лапкин, К. М., та Е. В. Данилова. "АНАЛИЗ КРАТКОСРОЧНЫХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ СЕТЕВОГО ТРАФИКА". У Современные тенденции и проекты развития информационных систем и технологий. Хабаровск : РИЦ ХГУЭП, 2021. http://dx.doi.org/10.38161/978-5-7823-0747-9-2021-48-53.
Повний текст джерела