بررسی بهبود پیش بینی بازگشتی روش تحلیل مجموعه ی مقادیر تکین در مدل های سری زمانی ساختاری با استفاده از پالایش داده ها و الگوریتم وزنی
Publish place: Journal of Statistical sciences، Vol: 16، Issue: 2
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 248
This Paper With 23 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_STAT-16-2_007
تاریخ نمایه سازی: 20 دی 1401
Abstract:
روش تحلیل مجموعه ی مقادیر تکین (SSA( یک روش ناپارامتری قدرتمند درحوزه ی تحلیل سریهای زمانی بوده و به دلیل دارا بودن ویژگی هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA تجزیه سریهای زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی در جهت بهبود این روش خصوصا در زمینه ی پیش بینی سری های زمانی صورت گرفته است. در این مقاله روش جدیدی برای بهبود پیش بینی روش SSA با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA با روش SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد. برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است. نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است.
Keywords:
Forecasting , Kalman Filter , Singular Spectrum Analysis , State Space Form , Recurrent Forecasting. , پیش بینی , فیلتر کالمن , فضای حالت , تحلیل مجموعه ی مقادیر تکین , پیش بینی بازگشتی
Authors
رضا ذبیحی مقدم
Payame Noor University
مسعود یارمحمدی
Payame Noor University
حسین حسنی
University of Tehran
پرویز نصیری
Payame Noor University
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :