Home Arrow Icon Knowledge base Arrow Icon Global Arrow Icon كيف تقارن المتوسطات التاريخية بطرق التنبؤ الأخرى مثل arima أو تجانس الأسي


كيف تقارن المتوسطات التاريخية بطرق التنبؤ الأخرى مثل arima أو تجانس الأسي


استنادًا إلى نتائج البحث ، إليك ملخص لكيفية مقارنة المتوسطات التاريخية بطرق التنبؤ الأخرى مثل ARIMA والتنعيم الأسي:

مقارنة أساليب التنبؤ

1. المتوسطات التاريخية:
- المتوسطات التاريخية هي طريقة بسيطة وقوية للتنبؤ على المدى القصير.
- فهي فعالة في تجانس الضوضاء والتقاط الاتجاهات الحديثة.
-ومع ذلك ، لا تلتقط المتوسطات التاريخية اتجاهات طويلة الأجل أو تغييرات في الأنماط الأساسية ، مما يجعلها أقل فعالية للتنبؤ طويل الأجل.

2. أريما (المتوسط ​​المتحرك المتكامل الانحدار):
- Arima هو نموذج إحصائي أكثر تطوراً يمكنه التقاط أنماط معقدة في بيانات السلاسل الزمنية.
-ARIMA فعال لكل من التنبؤ على المدى القصير والطويل الأجل ، حيث يمكن أن يصمم الاتجاهات والموسمية وغيرها من الخصائص غير الثابتة.
- تتفوق Arima على المتوسطات التاريخية في كثير من الحالات ، خاصة بالنسبة للتنبؤات طويلة الأجل حيث تتغير الأنماط الأساسية.

3. تجانس أسي:
- التنعيم الأسي هو طريقة تنبؤ بسلسلة زمنية تقليدية أخرى تُعين الأوزان المتدنية بشكل كبير للملاحظات السابقة.
- يمكن للتنعيم الأسي التقاط الاتجاهات والموسمية ، مما يجعله أكثر فعالية من المتوسطات التاريخية للتنبؤات المتوسطة إلى طويلة الأجل.
- غالبًا ما تتم مقارنة التجانس الأسي مع ARIMA ، ويمكن أن تنتج الطريقتان في بعض الأحيان نتائج مماثلة ، اعتمادًا على خصائص السلسلة الزمنية.

مقارنة من نتائج البحث

توفر نتائج البحث بعض الأفكار الإضافية:

- تقارن النتيجة الأولى [1] ARIMA والتجانس الأسي ، مما يدل على أن أداء الطريقتين يمكن أن يختلف باختلاف بيانات السلسلة الزمنية المحددة.
- النتيجة الثانية [2] تقارن ARIMA و LSTM (نوع من نموذج التعلم العميق) ، وتجد أن LSTM يتفوق قليلاً على ARIMA في مهام التنبؤ السلسلة الزمنية.
- تقارن النتائج الثالثة والرابعة [3 ، 4] أيضًا ARIMA و LSTM ، وتجد عمومًا أن LSTM يمكن أن تتفوق على ARIMA ، خاصة بالنسبة للسلسلة الزمنية المعقدة غير الخطية.

خاتمة

باختصار ، تعد المتوسطات التاريخية طريقة بسيطة وفعالة للتنبؤ على المدى القصير ، ولكنها تتفوق بشكل عام على أساليب أكثر تطوراً مثل ARIMA والتنعيم الأسي ، وخاصة للتنبؤات طويلة الأجل. يمكن أن يلتقط Arima وتجانس الأسي أنماطًا أكثر تعقيدًا في البيانات ، مما يجعلها أكثر ملاءمة لمجموعة واسعة من مهام التنبؤ. بالإضافة إلى ذلك ، أظهرت الأساليب الأحدث القائمة على التعلم مثل LSTM نتائج واعدة في تفوق النماذج الإحصائية التقليدية في سيناريوهات التنبؤ ببعض السلاسل الزمنية.

الاستشهادات:
[1] https://www.researchgate.net/publication/258740343_arima_model_and_exponential_smoothing_method_a_comparison
[2] https://iopscience.iop.org/article/10.1088/1742-6596/1631/1/012141/meta
[3] https://par.nsf.gov/servlets/purl/10186768
[4] https://ieeexplore.ieee.org/document/8614252/
[5] https://developer.ibm.com/tutorials/awb-arima-modelsin-