Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: ARIMA,

Sortuj według:

Ogranicz wyniki do:

Impact of starting outlier removal on accuracy of time series forecast ING

Romanuke Vadim

Maritime Technical Journal

2022

nr 1 (224)

1--15

The presence of an outlier at the starting point of a univariate time series negatively influences the forecasting accuracy. The starting outlier is effectively removed only by making it equal to the second time point value. The forecasting accuracy is significantly improved after the removal. The favorable impact of the starting outlier removal on the time series forecasting accuracy is strong. It is the least favorable for time series with exponential rising. In the worst case of a time series, on average only 7 % to 11 % forecasts after the starting outlier removal are worse than they would be without the removal.

Wartość odstająca w punkcie początkowym jednowymiarowego szeregu czasowego negatywnie wpływa na dokładność prognozowania. W ramach przeprowadzonych badań dokonano analizy wpływu usunięcia wartości odstającej poprzez zrównanie jej z wartością drugiego punktu cza-sowego. Uzyskane wyniki wskazują, że przyjęta metoda znacznie poprawia dokładność progno-zowania dla większości szeregów czasowych. Jednak w przypadku szeregów czasowych z wykładniczym wzrostem, metoda okazała się mniej skuteczna. Minimalny wzrost dokładności prognozowania wynosił w tym przypadku od 7 % do 11 %.

Arima Model optimal selection for time series forecasting

Romanuke Vadim

Maritime Technical Journal

2022

nr 1 (224)

28--40

A fast-and-flexible method of ARIMA model optimal selection is suggested for univariate time series forecasting. The method allows obtaining as-highly-accurate-as-possible forecasts auto-matically. It is based on effectively finding lags by the autocorrelation function of a detrended time series, where the best-fitting polynomial trend is subtracted from the time series. The fore-casting quality criteria are the root-mean-square error (RMSE) and the maximum absolute error (MaxAE) allowing to register information about the average inaccuracy and worst outlier. Thus, the ARIMA model optimal selection is performed by simultaneously minimizing RMSE and Max-AE, whereupon the minimum defines the best model. Otherwise, if the minimum does not exist, a combination of minimal-RMSE and minimal-MaxAE ARIMA models is used.

W pracy zaproponowano szybką i elastyczną metodę optymalnego doboru modelu ARIMA na potrzeby prognozowania szeregów czasowych z jedną zmienną. Metoda pozwala na uzyskanie możliwie najdokładniejszych prognoz, opierając się na skutecznym znajdowaniu opóźnień. Po-szukiwanie opóźnień realizowane jest za pomocą funkcji autokorelacji szeregu czasowego bez trendu, w którym najlepiej dopasowany trend wielomianowy jest odejmowany od szeregu cza-sowego. Za kryteria jakości prognozowania przyjęto średni błąd kwadratowy (RMSE) i maksy-malny błąd bezwzględny (MaxAE), które pozwoliły na rejestrację informacji o średniej i maksymalnej niedokładności. Optymalny dobór modelu ARIMA odbywa się poprzez jednoczesną minimalizację RMSE i MaxAE, dla której wartość minimalna określa najlepszy model. W przeciw-nym razie, jeśli minimum nie istnieje, używana jest kombinacja modeli ARIMA z minimalnym RMSE i minimalnym MaxAE.