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"
1
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 джерела
2
Худов, 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 джерелаАнотація:
Предметом дослідження в статті є прогнозування геопросторових даних в системах обробки геопросторової інформації. Метою статті є розробка моделі прогнозування геопросторових даних в системах обробки геопросторової інформації. Удосконалено модель прогнозування даних, яка представляє собою адаптивну селективну модель на базі ансамблю інтегрованих моделей авторегресії-ковзного середнього {ARIMA(p, d, q)} різних порядків. При цьому в якості критерія селекції використовується мінімум суми квадратів відхилень для попередніх прогнозів, що забезпечує точність та робастність прогнозу і дає можливість приймати на його основі обґрунтовані управлінські рішення. Напрямком подальших досліджень є проведення верифікації отриманого прогнозу.
3
Жигайло, 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 джерелаАнотація:
Дослідження процесів збуту та планування виробництва є важливою складовою діяльності будь-якого комерційного підприємства. Це пояснюється тим, що професійне вирішення основних задач збуту обумовлює максимальний рівень задоволення потреби клієнтів, створення додаткових маркетингових переваг, збільшення обсягів реалізації, забезпечення зростання прибутку не тільки в коротко, але і в довгостроковому періоді. Для підвищення ефективності управління процесами збуту та планування виробництва сучасні підприємствавикористовують різноманітні програмні продукти, які автоматизують тільки частину їх бізнес-процесів. В тих продуктах, які займаються аналізом, прогнозуванням збуту та плануванням виробництва, існують проблеми з рівнем точності результатів прогнозу. Тому розробка програмних модулів, що спрощують вирішення задачі прогнозування та підвищують точність отриманих результатів є досить актуальною. Для вирішення задачі прогнозування була обрана модель проінтегрованої авторегресії та ковзного середнього (ARIMA). Перед побудовою моделей прогнозування проводиться автоматична класифікація (кластеризація) досліджуваних часових рядів для виявлення чітких груп зі схожими властивостями, яка надає можливість вибору початкової структури моделей прогнозування для кожної із груп. Після цього йде валідація або корегування значень порядку складових моделей (AR, MA), завдяки результатам обробки коррелограмм автокореляційної та приватної автокореляційної функій. На останньому етапі за допомогою методу найменших квадратів розраховуються параметри сформованих моделей прогнозування.
4
Сердюк, 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 джерелаАнотація:
Сучасний світ стикається з проблемою недостатньої фізичної і рухової активності людини, або гіподинамією. Особливо зараз це питання актуальне у зв’язку з пандемією Covid-19 та вимушеним переходом на дистанційну роботу та навчання. Сучасна людина в умовах популярною на сьогоднішній день сидячої роботи рухається вкрай мало. Найпростішим методом підвищення рухової активності людини є ходьба. Робота присвячується вирішенню проблеми прогнозування кількості кроків для людини з урахуванням його особливостей та попередніх показників. В статті наведено аналіз публікацій щодо визначення необхідної кількості кроків. Описано процес попередньої обробки реальних даних. Для моделювання в роботі обрано три методи прогнозування: метод простого усереднення (SMA), експоненціально зважене ковзне середнє (EWMA), авторегресійна інтегрована модель змінної середньої (ARIMA). Використовувані в роботі методи дозволять знайти кращий метод для прогнозування кількості майбутніх кроків людини.
5
Лакман, 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 джерелаАнотація:
В статье проведен анализ и сделан прогноз возрастно-половых коэффициентов смертности по причинам в Республике Башкортостан. В качестве методов анализа использованы: модель Ли-Картера, SVD-разложение, ARIMA-моделирование. Согласно результатам прогноза, в Республике Башкортостан к 2025 г. ожидается: снижение смертности по причине злокачественных новообразований во всех возрастных группах, за исключением группы 70+ для женщин и возрастных групп, начиная с 50+, для мужчин; снижение смертности по причине болезней системы кровообращения во всех возрастных группах для мужчин и увеличение – в возрастных группах 45+ для женщин; снижение смертности по причине травм во всех возрастных группах для обоих полов; отсутствие значительных изменений в смертности по причине болезней органов дыхания; повышение смертности от болезней ЖКТ для обоих полов во всех возрастах, за исключение детского возраста; повышение смертности по причине инфекции в возрастах 20-54 года для мужчин и 20-64 года для женщин; снижение смертности от инфекции почти в два раза в возрастной группе 0-4 года для обоих полов.
6
Родионова, 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 джерелаАнотація:
Согласно майскому указу Президента (2018 г.), в число национальных целей и стратегических задач развития РФ на период до 2024 г. входят «обеспечение устойчивого естественного роста численности населения РФ и повышение ожидаемой продолжительности жизни до 78 лет». Возросшая необходимость мониторинга текущей демографической ситуации, изучение структуры демографических показателей, пристальное внимание научного сообщества к реализации национальных целей обусловили выбор темы настоящего исследования.
В работе исследовались проблемы моделирования сезонности демографических показателей РФ (числа рождений, числа умерших, младенческой смертности, числа заключенных браков) по ежемесячным данным Росстата за период 2007-2018 гг. Зарубежные исследования показали, что, наряду с традиционными демографическими методами, ARIMA-модели дают хорошие результаты при прогнозировании демографических показателей (численности населения, уровня рождаемости и смертности, продолжительности жизни населения). Использование статистического подхода на основе SARIMA-моделей в данной работе позволило получить адекватные модели с хорошими статистическими и прогностическими свойствами. Стационарность процессов с учетом сезонности анализировали на основе HEGY-теста. Исследуемые в работе показатели имели ряд особенностей, которые были учтены при моделировании. Ряды числа рождений и числа умерших имели второй и первый порядки интегрируемости соответственно и содержали детерминированную сезонность, ряд числа заключенных браков имел первый порядок обычной и сезонной интегрируемости, ряд младенческой смертности не содержал сезонность, что было подтверждено на основе анализа автокорреляционной функции и периодограммы. Для анализируемых показателей в работе были построены точечные и интервальные оценки прогноза на 2019 г. Для сравнения качества прогнозирования SARIMA-моделей в работе были оценены также сезонные модели Хольта-Уинтерса.
7
Chernigovskiy, 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 джерелаАнотація:
The investigation aimed to study various network traffic types so as to derive a mathematical description not only for a specific type of traffic, but also for the aggregated network traffic. We characterized the main types of data transmitted during network operation and compared the results with the most common mathematical models, that is, Poisson, Pareto, Weibull, exponential and lognormal distributions. We established that regardless of traffic type the volume distribution of data packets transmitted has a "long tail" and is well described by the lognormal distribution model. We evaluated the autocorrelation function, which showed that a long-range dependence characterises virtually all data, which indicates their self-similarity. We also confirmed this conclusion by calculating the Hurst exponent. At the same time, we determined that the degree of self-similarity depends not only on the type of data transmitted, but also on the data ratio in the aggregated network traffic. We selected the following models so as to compare the mathematical descriptions of traffic: classical and fractal Brownian motion, and the AR, MA, ARMA and ARIMA models. The results showed that the fractal Brownian motion model provides the most accurate mathematical description of network traffic
8
Chaban, 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 джерелаАнотація:
The forecast of sunflower yield was based on the analysis of the time series of yield data of this crop at its cultivation in the Northern Steppes of Ukraine against the background of natural fertility for 1971-2019. The true average yield value of sunflower ranged from 2.15 ± 0.17 t/ha, the average variation of yield data for the study period was: coefficient of variation – Cv = 24 %, standard deviation – s = 0.516 t/ha. Analysis of the scattering graph of the series showed a tendency to increase the sunflower yield over a given period of time. An adequate linear model with an increasing trend of yield data is obtained. According to the forecast results by this method for the period up to 2025, the sunflower yield is expected at the level of 2.59–2.67 t/ha. Forecasting with ARIMA (Autoregressive Integrated Moving Average) was carried out by reduction of the yield data series to a stationary form, which was achieved by first order differentiation D (-1). The selection of the most adaptive model was carried out by varying the values of p and q, according to the type of autocorrelation (ACF) and partial autocorrelation functions (PACF). It was found that the best model is D (-1) ARIMA model: (2,0,0), the stationarity of which was achieved by first order differentiation, the residuals are not autocorrelated and normally distributed, and the regression coefficients corresponded to the values of residual probabilities less (p <0, 05). According to the short-term forecast based on the chosen model, it was found that the maximum of sunflower yield against the background of natural fertility in 2023 should be expected up to 3.56 t/ha. Keywords: forecast, yield, sunflower, model, time series, ARIMA model.
9
Fel’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 джерелаАнотація:
Time series, i.e. data collected at various times. The data collection segments may differ de-pending on the task. Time series are used for decision making. Time series analysis allows you to get some result that will determine the format of the decision. Time series analysis was carried out in very ancient times, for example, various calendars became a consequence of the analysis. Later, time series analysis was applied to study and forecast economic, social and other systems. Time se-ries appeared a long time ago. Once upon a time, ancient Babylonian astronomers, studying the po-sition of the stars, discovered the frequency of eclipses, which allowed them to predict their appearance in the future. Later, the analysis of time series, in a similar way, led to the creation of various calen-dars, for example, harvest calendars. In the future, in addition to natural areas, social and economic ones were added. Aim. Search for classification patterns of time series, allowing to understand whether it is possible to apply the ARIMA model for their short-term (3 counts) forecast. Materials and methods. Special software with ARIMA implementation and all need services is made. We examined 59 data sets with a short length and step equal a year, less than 20 values in the paper. The data was processed using Python libraries: Statsmodels and Pandas. The Dickey – Fuller test was used to de-termine the stationarity of the series. The stationarity of the time series allows for better forecasting. The Akaike information criterion was used to select the best model. Recommendations for a rea-sonable selection of parameters for adjusting ARIMA models are obtained. The dependence of the settings on the category of annual data set is shown. Conclusion. After processing the data, four categories (patterns) of year data sets were identified. Depending on the category ranges of parame-ters were selected for tuning ARIMA models. The suggested ranges will allow to determine the starting parameters for exploring similar datasets. Recommendations for improving the quality of post-forecast and forecast using the ARIMA model by adjusting the settings are given.
10
Balagula, 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"
1
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 джерелаАнотація:
Державний борг як важливий фактор соціально-економічного розвитку держави виступає свого роду індикатором і критерієм ефективності провадження виваженої боргової політики держави, а його прогнозування займає одне з ключових місць в процесі забезпечення економічної безпеки держави. У сучасній статистичній теорії існує безліч різноманітних методів прогнозування економічної інформації. Значна їх частина стосується прогнозування часових рядів, без додаткової інформації, тобто без аналізу впливу інших факторів. Звичайно, такий аналіз є доволі неповним, але досить часто результати таких прогнозів є більш точними порівняно з іншими методами прогнозування. Одним з таких методів є побудова ARIMA моделі.
2
Логін, Вадим Вікторович. "Моделі для прогнозування характеристик трафіка цифрової реклами". Master's thesis, Київ, 2018. https://ela.kpi.ua/handle/123456789/23748.
Повний текст джерелаАнотація:
Магістерська дисертація: 112 с., 48 рис., 40 табл., 3 додатки і 30 джерел.
Об’єкт дослідження – трафік цифрової реклами у формі статистичних даних.
Предмет дослідження – моделі та методи аналізу даних у формі часових рядів, методи прикладної статистики.
Мета роботи – побудова моделей часових рядів для прогнозування найважливіших характеристик трафіка цифрової реклами.
Методи дослідження – моделі часових рядів для прогнозування даних та порівняльний аналіз отриманих моделей.
У даній роботі наведені результати побудови моделей часових рядів, що призначені для прогнозування найважливіших характеристик трафіка цифрової реклами. Описані результати порівняльного аналізу отриманих моделей за допомогою інформаційних критеріїв, а також з точки зору їхньої точності. Встановлено, що для нашої задачі, найкращою моделлю є модель ARIMAX (Autoregressive integrated moving-average model with exogenous inputs), тобто модель авторегресії та ковзного середнього з екзогенними змінними. Тому для подальших досліджень рекомендовано використовувати саме цю модель.
За матеріалами магістерської дисертації були написані тези, а також написана наукова стаття. Тези будуть опубліковані в збірці тез доповідей конференції САІТ-2018. А наукова стаття буде опублікована в електронній збірці доповідей у видавництві CEUR.
Прогнозні припущення щодо подальшого розвитку об’єкта дослідження – побудова нових, а також вдосконалення існуючих моделей часових рядів для прогнозування найважливіших характеристик цифрової реклами. А також узагальнення дослідження, що проводилось у даній роботі, на аналіз окремих сайтів із рекламного трафіку.Models 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.
3
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 джерелаАнотація:
У роботі досліджено особливості аналізу та моделювання криптовалют на основі фрактального аналізу. Основною метою роботи є побудова математичної моделі для прогнозування динаміки курсу Bictoin в інтересах підвищення точності прогнозування. Ключовими методами дослідження є R/S-аналіз та ARIMA-модель, які були реалізовані за допомогою програмного забезпечення MS Excel та Statistica.The 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.
4
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 джерелаАнотація:
У роботі проведено дослідження ефективності застосування вейвлетперетворень для прогнозування UX-індексу, основного показника українського фондового ринку. Основною метою роботи є виконання прогнозування UX-індексу методами вейвлет-аналізу для отримання високоякісних результатів. Базовими методами для дослідження є R/S-аналіз, вейвлет-перетворення сімейства Добеші, ARIMA-модель, що були реалізовані за допомогою програмних продуктів: MatLab та Statistica.The 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.
5
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 джерела
6
Кардашевська, Маргарита Анатоліївна. "Прогнозування динаміки цін на нафту". Магістерська робота, 2020. https://dspace.znu.edu.ua/jspui/handle/12345/2470.
Повний текст джерелаАнотація:
Кардашевська М. А. Прогнозування динаміки цін на нафту : кваліфікаційна робота магістра спеціальності 051 "Економіка" / наук.керівник С. С. Чеверда. Запоріжжя : ЗНУ, 2020. 92 с.UA : 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"
1
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 джерелаАнотація:
В статье представлен обзор моделей краткосрочного прогнозирования временных рядов, а именно: модель авторегрессии (AR), модель скользящего среднего (MA), модель авторегрессии – скользящего среднего (ARMA), интегрированная модель авторегрессии – скользящего-среднего и экспоненциальное сглаживание (HWSE). Краткосрочные модели применены на реальных данных подключений к веб-серверу Nginx.