كيف يمكن مقارنة المتوسطات التاريخية بطرق التنبؤ الأخرى مثل ARIMA أو التجانس الأسي

مقارنة طرق التنبؤ

1. المتوسطات التاريخية:
- المتوسطات التاريخية هي طريقة بسيطة وقوية للتنبؤ على المدى القصير.
- إنها فعالة في تخفيف الضوضاء والتقاط الاتجاهات الحديثة.
- ومع ذلك، فإن المتوسطات التاريخية لا تعكس الاتجاهات طويلة المدى أو التغيرات في الأنماط الأساسية، مما يجعلها أقل فعالية للتنبؤ على المدى الطويل.

2. ARIMA (المتوسط ​​المتحرك المتكامل ذاتي الانحدار):
- ARIMA هو نموذج إحصائي أكثر تطوراً يمكنه التقاط أنماط معقدة في بيانات السلاسل الزمنية.
- تعتبر تقنية ARIMA فعالة للتنبؤ على المدى القصير والطويل، حيث يمكنها وضع نماذج للاتجاهات والموسمية وغيرها من الخصائص غير الثابتة.
- يتفوق أداء ARIMA على المتوسطات التاريخية في العديد من الحالات، خاصة بالنسبة للتنبؤات طويلة المدى حيث تتغير الأنماط الأساسية.

3. التجانس الأسي:
- التجانس الأسي هو طريقة تقليدية أخرى للتنبؤ بالسلاسل الزمنية التي تحدد أوزانًا متناقصة بشكل كبير للملاحظات السابقة.
- يمكن للتمهيد الأسي أن يلتقط الاتجاهات والموسمية، مما يجعله أكثر فعالية من المتوسطات التاريخية للتنبؤ على المدى المتوسط ​​إلى الطويل.
- غالبًا ما تتم مقارنة التمهيد الأسي بأريما، ويمكن أن تنتج الطريقتان في بعض الأحيان نتائج مماثلة، اعتمادًا على خصائص السلسلة الزمنية.

المقارنة من نتائج البحث

توفر نتائج البحث بعض الأفكار الإضافية:

- النتيجة الأولى [1] تقارن بين ARIMA والتجانس الأسي، وتبين أن أداء الطريقتين يمكن أن يختلف اعتمادًا على بيانات السلاسل الزمنية المحددة.
- النتيجة الثانية [2] تقارن ARIMA وLSTM (نوع من نماذج التعلم العميق)، وتجد أن LSTM يتفوق قليلاً على ARIMA في مهام التنبؤ بالسلاسل الزمنية.
- تقارن النتائج الثالثة والرابعة [3، 4] أيضًا بين ARIMA وLSTM، وتجد عمومًا أن LSTM يمكن أن يتفوق على ARIMA، خاصة في السلاسل الزمنية المعقدة وغير الخطية.

خاتمة

باختصار، تعد المتوسطات التاريخية طريقة بسيطة وفعالة للتنبؤ على المدى القصير، ولكنها تتفوق عليها عمومًا طرق أكثر تطوراً مثل ARIMA والتجانس الأسي، خاصة بالنسبة للتنبؤات طويلة المدى. يمكن لـ ARIMA والتجانس الأسي التقاط أنماط أكثر تعقيدًا في البيانات، مما يجعلها أكثر ملاءمة لمجموعة واسعة من مهام التنبؤ. بالإضافة إلى ذلك، أظهرت الأساليب الأحدث القائمة على التعلم العميق مثل LSTM نتائج واعدة في التفوق على النماذج الإحصائية التقليدية في سيناريوهات معينة للتنبؤ بالسلاسل الزمنية.