อัต แบบบูรณาการ เคลื่อนไหว ค่าเฉลี่ย ( Arima ) Models สำหรับ เกิด การคาดการณ์

การเปรียบเทียบการคาดการณ์การใช้พลังงานขั้นต้นของประเทศจีนโดยใช้แบบจำลอง ARIMA (โมเดลเฉลี่ยเคลื่อนที่แบบอัตถดถอย) และ GM (1,1) รุ่น Chaoqing Yuan a, b Sifeng Liu a, c Zhigeng Fang, ca วิทยาลัยเศรษฐศาสตร์และการจัดการ, Nanjing University of Aeronautics and Astronautics, Nanjing, 211106, ประเทศจีน b ศูนย์วิจัยเพื่อการพัฒนาทางวิทยาศาสตร์, Nanjing University of Aeronautics and Astronautics, Nanjing, 211106, China c Institute for Gray System, Nanjing, University of Aeronautics and Astronautics, Nanjing, 211106, China 6 สิงหาคม 2015. แก้ไขวันที่ 31 ธันวาคม 2015. ยอมรับแล้ว 1 กุมภาพันธ์ 2016 พร้อมใช้งานออนไลน์วันที่ 24 กุมภาพันธ์ 2016 ไฮไลต์ GM (1,1) และ ARIMA (การรวมระบบอัตโนมัติแบบอัตถดถอย เฉลี่ย) ใช้เพื่อคาดการณ์การใช้พลังงานหลักของประเทศจีน ส่วนที่เหลือของทั้งสองรุ่นอยู่ตรงกันข้าม รุ่นไฮบริดของทั้งสองจะดีกว่า ปริมาณการใช้พลังงานหลักของประเทศจีนจะเพิ่มขึ้นที่อัตราการเติบโตประมาณ 4 ปีตั้งแต่ 2014 ถึงปี 2020 การใช้พลังงานขั้นต้นของประเทศจีนจะเพิ่มขึ้นอย่างรวดเร็วซึ่งเกี่ยวข้องกับการพัฒนาอย่างยั่งยืนของประเทศจีนและมีผลกระทบอย่างมากต่อตลาดพลังงานทั่วโลก มีการใช้แบบจำลองสองแบบ ได้แก่ ARIMA (โมเดลเฉลี่ยเคลื่อนที่แบบอัตถดถอย) และโมเดล GM (1,1) เพื่อคาดการณ์การใช้พลังงานหลักของประเทศจีน ผลการวิจัยของทั้งสองรุ่นสอดคล้องกับข้อกำหนด จากการเปรียบเทียบพบว่ารูปแบบ ARIMA มีการตอบสนองต่อความผันผวนน้อยลงเพราะมีแนวโน้มลดลงในระยะยาวขณะที่รุ่น GM (1,1) ตอบสนองได้ดีขึ้นเนื่องจากการใช้ข้อมูลล่าสุด 4 ชุด และสิ่งที่เหลืออยู่ของทั้งสองโมเดลตรงกันข้ามตามความหมายทางสถิติ Wilcoxon ลงนามในการทดสอบอันดับ ดังนั้นรุ่นไฮบริดจึงถูกสร้างขึ้นโดยใช้โมเดลทั้งสองรุ่นนี้และ MAPE (Mean Absolute Percent Error) มีขนาดเล็กกว่ารุ่น ARIMA และโมเดล GM (1,1) แล้วการบริโภคพลังงานหลักของประเทศจีนถูกคาดการณ์ไว้โดยใช้แบบจำลองทั้งสามแบบ ผลการวิจัยชี้ให้เห็นว่าอัตราการเติบโตของการใช้พลังงานหลักของประเทศจีนตั้งแต่ 2014-2020 จะค่อนข้างใหญ่ แต่น้อยกว่าทศวรรษแรกของศตวรรษใหม่ การใช้พลังงานแบบจำลอง ARIMA รุ่น GM (1,1) ตารางที่ 1 รูปที่ 1. โมเดล ARIMA สำหรับการคาดการณ์การเกิด (Birth Forecasting) 1. ข้อมูลการเคลื่อนที่แบบรวมถดถอยแบบอัตโนมัติ (ARIMA) คำพูดข้อมูลคำศัพท์จาก IRUSE ใช้สำหรับช่วงเวลาทั้งหมด เป้าหมายของงานวิจัยนี้คือเพื่อคาดการณ์ช่องลมที่มีความละเอียดสูงโดยใช้โมเดล ARIMA แบบจำลองการถดถอยเชิงบูรณาการแบบ Box-Jenkins โดยอาศัยข้อมูลลมที่มีความละเอียดสูงและข้อมูลลม IRUSE ต่อเนื่อง 6, 7 โดยปกติแล้ว ARIMA รุ่นที่ไม่ได้เป็นตามฤดูกาล เป็น ARIMA (p, d, q), p คือลำดับของ auto-aggressive component และ q คือลำดับของค่าเฉลี่ยเคลื่อนที่ที่พอดีกับความต่างของ d-th ของชุด quot เอกสารการประชุมฉบับเต็มมกราคม 2015 วารสาร American Statistical Association ฉบับที่อ้างถึง ARIMA model by Box et al. (2008) ประกอบด้วยหนึ่งในรูปแบบที่เป็นที่นิยมของรุ่น (ดูอับราฮัมและ Ledolter, 1983) แบบจำลอง ARIMA ถูกนำมาประยุกต์ใช้ในการพยากรณ์อัตราการเจริญพันธุ์และปัญหาที่เกี่ยวข้องกับลี (1974, 1975), Saboia (1977), McDonald (1979, 1981), การคาดการณ์ที่ถูกต้องของอัตราความอุดมสมบูรณ์ตามอายุ สำคัญสำหรับนโยบายของรัฐบาลการวางแผนและการตัดสินใจ ด้วยความพร้อมของฐานข้อมูลการเจริญพันธุ์ของมนุษย์ (2011) เราเปรียบเทียบความถูกต้องเชิงประจักษ์ของจุดและการคาดการณ์ช่วงที่ได้จากแนวทางของ Hyndman และ Ullah (2007) และตัวแปรในการพยากรณ์ความอุดมสมบูรณ์ตามอายุ การวิเคราะห์จะดำเนินการโดยใช้ข้อมูลความอุดมสมบูรณ์ตามอายุของ 15 ประเทศที่พัฒนาแล้วส่วนใหญ่ จากการวัดความผิดพลาดในการคาดการณ์ล่วงหน้าแบบก้าวร้าวหนึ่งขั้นตอนไปไกลถึง 20 ขั้นตอนวิธีการของ Hyndman-Ullah ที่ให้คะแนนแม่นยำที่สุดและการคาดการณ์ช่วงเวลาในการคาดการณ์อัตราความอุดมสมบูรณ์ตามอายุโดยรวมในทุกวิธีที่เราตรวจสอบ บทความเต็มรูปแบบบทความกันยายน 2012 Han Lin Shang quot ผู้เขียนจำนวนมากได้ใช้วิธีการแบบอนุกรมเวลาด้วยตัวเองโดยใช้วิธีการเฉลี่ยแบบอัตถดถอยเคลื่อนที่แบบรวม (ARIMA) เพื่อคาดการณ์ kirths ทั้งหมด (Dodd, 1980 McDonald, 1981 และ Saboia, 1977) แม้ว่าความพยายามเหล่านี้จะให้ข้อมูลเชิงลึกเกี่ยวกับการใช้วิธีการแบบอนุกรมเวลาเกี่ยวกับภาวะเจริญพันธุ์การคาดการณ์ไม่สนใจข้อดีของการใช้วิธีการตามองค์ประกอบร่วม (Long, 1981) บทคัดย่อการประมาณการอัตราความอุดมสมบูรณ์ตามอายุของแต่ละบุคคลเป็นปัญหาในการคาดการณ์ในมิติที่สูง เราได้แก้ปัญหามิตินี้โดยใช้เส้นโค้งค่าพารามิเตอร์เพื่อประมาณอัตราเฉพาะอายุประจำปีและแบบจำลองชุดเวลาหลายตัวแปรเพื่อคาดการณ์ค่าพารามิเตอร์ของเส้นโค้ง การคาดการณ์ผลผลิตของเส้นโค้งความอุดมสมบูรณ์ในอนาคตซึ่งจะนำมาใช้เพื่อคำนวณการพยากรณ์อัตราความอุดมสมบูรณ์ตามอายุ ซึ่งจะช่วยลดมิติของปัญหาการคาดการณ์และยังรับประกันได้ว่าการคาดการณ์ในระยะยาวของอัตราความอุดมสมบูรณ์ตามอายุจะมีรูปร่างที่ราบเรียบตลอดอายุคล้ายกับข้อมูลในอดีต การคาดการณ์ในระยะสั้นได้รับการปรับปรุงโดยใช้เทคนิคง่ายๆในการคาดการณ์การเบี่ยงเบนของเส้นโค้งที่พอดีจากอัตราที่แทบจริง บทความนี้ใช้วิธีนี้กับข้อมูลความอุดมสมบูรณ์เฉพาะอายุสำหรับสตรีขาวของสหรัฐอเมริกาจาก 19211984 การคาดการณ์ผลลัพธ์จะได้รับการตรวจสอบและแบบจำลองหลายตัวแปรจะใช้เพื่อตรวจสอบความสัมพันธ์ที่เป็นไปได้ระหว่างพารามิเตอร์ของเส้นโค้งซึ่งแสดงเป็นอัตราการเจริญพันธุ์รวมอายุเฉลี่ย การคลอดบุตรและส่วนเบี่ยงเบนมาตรฐานของอายุที่คลอด ความสัมพันธ์ที่แข็งแกร่งอย่างเดียวพบคือความสัมพันธ์ระหว่างค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของอายุที่คลอด รูปแบบของวิธีการนี้ร่วมกับการตัดสินใจทางประชากรศาสตร์แบบดั้งเดิมถูกนำมาใช้ในการคาดการณ์จำนวนประชากรของสหรัฐอเมริกาที่สำรวจสำมะโนประชากรล่าสุด เราจะหารือเกี่ยวกับการดำเนินการนี้และเปรียบเทียบการคาดการณ์ของสำนักสำรวจสำมะโนประชากรกับข้อมูลที่ผลิตโดยตรงจากแบบจำลองที่นำเสนอที่นี่ บทความเต็มรูปแบบตุลาคม 1989 Patrick A. Thompson William R. Bell John F. Long โรเบิร์ตบีมิลเลอร์ซีรีส์ไทม์โมเดลสำหรับการคาดการณ์การเกิด โมเดล ARIMA แบบเคลื่อนที่เชิงอัตรกรรมมีการพัฒนาสำหรับชุดข้อมูลการเกิดและความสัมพันธ์กับแบบจำลองคลาสสิกสำหรับการเติบโตของประชากรจะได้รับการตรวจสอบ รุ่นที่พิถีพิถันของรุ่น ARIMA จะได้รับซึ่งเก็บข้อมูลที่สำคัญที่สุดของข้อมูลรวมทั้งความยาวของการสร้างประชากร เทคนิคนี้ใช้กับข้อมูลประชากรมนุษย์ (เม็กซิโกและนอร์เวย์) และได้รับการคาดการณ์ นอกจากนี้ยังมีการพัฒนาและประยุกต์ใช้โมเดลเชิงสาเหตุเกี่ยวกับการแต่งงาน เพิ่มรีวิวและแบ่งปันความคิดของคุณกับผู้อ่านอื่น ๆ เป็นคนแรก เพิ่มรีวิวและแบ่งปันความคิดของคุณกับผู้อ่านอื่น ๆ เป็นคนแรก เพิ่มแท็กสำหรับซีรีส์ Time Series สำหรับการคาดการณ์การเกิด .. เป็นคนแรก รายการที่คล้ายกันหัวข้อที่เกี่ยวข้อง: (10) ยืนยันคำขอนี้คุณอาจได้ขอรายการนี้แล้ว โปรดเลือกตกลงถ้าคุณต้องการดำเนินการกับคำขอนี้ต่อไป ข้อมูลที่เชื่อมโยงชุดข้อมูลเอนทิตีแบบอนุกรมเวลาสำหรับการคาดการณ์การเกิด schema: Book schema: ไลบรารี CreativeWork: oclcnum 227385200 ห้องสมุด: placeOfPublication Ft. ไลบรารี่ไลบรารี: placeOfPublic domain schema: เกี่ยวกับแบบแผนของแบบจำลองทางคณิตศาสตร์: เกี่ยวกับสคีมาการวิเคราะห์อนุกรมเวลา: เกี่ยวกับสคีมาเกี่ยวกับสังคมวิทยาและกฎหมาย: เกี่ยวกับสคีมา: เกี่ยวกับสคีมาการเติบโตของประชากร: เกี่ยวกับสโลแกนของนอร์เวย์: เกี่ยวกับ schema การพยากรณ์อากาศ: เกี่ยวกับ schema ประชากร: เกี่ยวกับ schema ของเม็กซิโก: about Developing schema ของประเทศ: bookFormat bgn: สเปรดชีต PrintBook: ผู้ร่วมโครงเรื่อง Joao LM Saboia: ผู้บริจาค CALIFORNIA UNIV BERKELEY OPERATIONS RESEARCH CENTER schema: datePublished APR 1975 schema: datePublished 1975 schema: description แบบจำลองอัตถิภาวนิยมแบบเคลื่อนที่เฉลี่ย (ARIMA) ได้รับการพัฒนาขึ้นสำหรับชุดข้อมูลการเกิดและความสัมพันธ์กับรูปแบบคลาสสิกสำหรับการเติบโตของประชากรจะได้รับการตรวจสอบ รุ่นที่พิถีพิถันของรุ่น ARIMA จะได้รับซึ่งเก็บข้อมูลที่สำคัญที่สุดของข้อมูลรวมทั้งความยาวของการสร้างประชากร เทคนิคนี้ใช้กับข้อมูลประชากรมนุษย์ (เม็กซิโกและนอร์เวย์) และได้รับการคาดการณ์ นอกจากนี้ยังมีการพัฒนาและประยุกต์ใช้โมเดลเชิงสาเหตุเกี่ยวกับการแต่งงาน schema: schema exampleOfWork: inLanguage en schema: ชื่อโมเดลซีรีส์เวลาสำหรับการคาดการณ์การเกิด schema: productID 227385200 schema: schema สิ่งพิมพ์: ผู้เผยแพร่ข้อมูลศูนย์ข้อมูลด้านเทคนิคการป้องกัน: อธิบายโดย ศูนย์ข้อมูลเทคนิคการป้องกันที่เกี่ยวข้อง a bgn: สคีมาของเอเจนต์: ชื่อศูนย์ข้อมูลด้านเทคนิคการป้องกัน CALIFORNIA UNIV BERKELEY OPERATIONS RESEARCH CENTER schema: แบบแผนขององค์กร: ชื่อ CALIFORNIA UNIV BERKELEY OPERATIONS RESEARCH CENTER .