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.
PL
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.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.