مقایسه ی تجربی مدل های باکس- جنکینز، شبکه های عصبی مصنوعی و تحلیل مجموعه ی مقادیر تکین در پیش بینی سری های زمانی

مدل باکس- جنکینز به عنوان یک روش پارامتری برای تحلیل سری های زمانی و برازش مدل های اتورگرسیو و میانگین متحرک فصلی و غیر فصلی به­کار می­رود؛ اما این روش برای سری های کوتاه مدت و نامانا مناسب نیست. در چنین شرایطی می­توان از روش­های  ناپارامتری مانند شبکه­های عصبی مصنوعی و تحلیل مجموعه­ی مقادیر تکین استفاده کرد. هر دو روش از این امتیاز برخوردارند که نیازمند نرمال بودن توزیع خطاها و زیاد بودن تعداد داده­ها نمی­باشند. در این مقاله، پس از معرفی روش های فوق دقت آن ها در پیش­بینی میزان فروش چهار نوع کالای غذایی، دارویی و بهداشتی یک شرکت پخش مواد غذایی و بهداشتی مقایسه می­شود. علاوه برآن در یک مطالعه شبیه سازی شده کارآمدی این روش ها برای پیش­بینی­های کوتاه مدت و بلند مدت ارزیابی شده است. نتایج حاصل برتری روش تحلیل مجموعه­ی مقادیر تکین را در مقایسه با دو روش دیگر برحسب ریشه میانگین مربعات خطای پیش بینی نشان می­دهد.

Keywords:

سری زمانی , مدل های باکس- جنکینز , روش تحلیل مجموعه ی مقادیر تکین , شبکه های عصبی مصنوعی