2. Time series models2.1. Model int

2. Time series models
2.1. Model introduction
Time series is according to the order of time interval variables and formation of random variables sequence. Time series
analysis is estimated and research at a certain time sequence in the long-term changes existing in the process of statistical
regularity [8]. The ARMA model is a kind of common random time-series model, founded by Box and Jenkins, it is also
called the B-J method. In recent years at home and abroad the method is widely applied in weather forecasting, due to its
advantages and simple application according to theory [9,10].
The ARMA (p, q) model is suitable for smooth time series analysis [11]. In practical applications, we often encounter nonstationary
time series. Then, we usually need to deal with the original time series difference. If the original time series d order
difference is a smooth ARMA (p, q) sequence, it declares the sequence has the order p and q, d the most regression piece
moving average (ARIMA) model, representing ARIMA (p, d, q). In some time series with still existing seasonal changes or
other factors causing significant periodic change, this kind of sequence is called a seasonal sequence [12]. The SARIMA model
is developed from the ARMA model. ARMA models predict the outcome variable from the values of the outcome at previous
time points, but it is only suitable for a stationary process. If a clear seasonal variation is observed, the SARIMA model could be
more appropriate, which allows for long-term trend and seasonal effects [13]. The SARIMA model is based on the application
of ARMA models to transformed time series, where the seasonal and non-stationary behavior has been eliminated.

ผลลัพธ์ (ไทย) 1:

2 รูปแบบอนุกรมเวลา
2.1 รูปแบบการแนะนำ
เวลาชุดเป็นไปตามคำสั่งของตัวแปรช่วงเวลาและการก่อตัวของตัวแปรสุ่มลำดับ อนุกรมเวลา
วิเคราะห์คาดและการวิจัยที่ตามลำดับเวลาที่แน่นอนในการเปลี่ยนแปลงระยะยาวที่มีอยู่ในกระบวนการของการสถิติ
สม่ำเสมอ [8] รุ่นอาวุธเป็นชนิดที่พบบ่อยของรูปแบบอนุกรมเวลาแบบสุ่มก่อตั้งขึ้นกล่องและเจนกินส์โดยที่ก็ยัง
เรียกว่าวิธีการขญ ในปีที่ผ่านมาที่บ้านและในต่างประเทศวิธีการที่จะนำมาใช้กันอย่างแพร่หลายในการพยากรณ์สภาพอากาศเนื่องจาก
ข้อดีและโปรแกรมง่ายตามทฤษฎี [9,10].
ARMA (p, q) รูปแบบที่เหมาะสมสำหรับการวิเคราะห์อนุกรมเวลาเรียบ [ 11] ในการใช้งานจริงเรามักจะพบ nonstationary
เวลาชุด แล้วเรามักจะต้องจัดการกับความแตกต่างของอนุกรมเวลาเดิม ถ้าอนุกรมเวลางคำสั่งเดิม
ความแตกต่างเป็นอาวุธเรียบ (p, q) ลำดับก็ประกาศลำดับมีการสั่งซื้อและพี q, D ชิ้นถดถอยมากที่สุด
ค่าเฉลี่ยเคลื่อนที่ (Arima) รูปแบบที่เป็นตัวแทนของอาริมะ (p, ง , q) ในบางอนุกรมเวลาที่มีการเปลี่ยนแปลงตามฤดูกาลยังคงมีอยู่หรือ
ปัจจัยอื่น ๆ ที่ทำให้เกิดการเปลี่ยนแปลงเป็นระยะที่สำคัญชนิดของลำดับนี้เรียกว่าลำดับตามฤดูกาล [12] รุ่น SARIMA
ได้รับการพัฒนาจากรูปแบบอาวุธ รุ่นอาวุธตัวแปรทำนายผลจากค่าของผลที่จุดก่อนหน้านี้
เวลา แต่มันก็เป็นเพียงเหมาะสำหรับการหยุดนิ่ง ถ้าการเปลี่ยนแปลงตามฤดูกาลที่ชัดเจนเป็นที่สังเกตแบบ SARIMA
อาจจะเหมาะสมมากขึ้นซึ่งจะช่วยให้แนวโน้มระยะยาวและผลของฤดูกาล [13] รุ่น SARIMA จะขึ้นอยู่กับการประยุกต์ใช้แบบจำลอง
อาวุธกับชุดเปลี่ยนเวลาที่พฤติกรรมตามฤดูกาลและไม่หยุดนิ่งได้รับการยกเลิก

ผลลัพธ์ (ไทย) 2:

2. เวลาชุดรุ่น
2.1 แนะนำรุ่น
ตามลำดับเวลาลำดับของตัวแปรช่วงเวลาการก่อตัวของตัวแปรสุ่มลำดับนั้น เวลาชุด
ประเมินวิเคราะห์ และวิจัยในบางเวลาลำดับในการเปลี่ยนแปลงระยะยาวที่มีอยู่ในกระบวนการทางสถิติ
ความ [8] แบบอาร์มาเป็นชนิดรุ่นทั่วไปแบบสุ่มเวลาชุด ก่อตั้งขึ้น โดยกล่องและเจงกินส์ มี
เรียกวิธี B J ในปีที่ผ่านมา ที่บ้าน และต่างประเทศวิธีกันอย่างแพร่หลายใช้ในการพยากรณ์อากาศ เนื่องของ
ประโยชน์และใช้งานง่ายตามทฤษฎี [9,10] .
รุ่นเดอะอาร์มา (p, q) เหมาะสำหรับการวิเคราะห์ชุดเวลาราบรื่น [11] ในการประยุกต์ใช้งานจริง เรามักพบ nonstationary
เวลาชุดการ แล้ว โดยปกติแล้วเราจำเป็นต้องจัดการกับความแตกต่างเวลาชุดเดิม ถ้าชุดเวลาเดิมสั่ง d
เรียบอาร์มา (p, q) ลำดับความแตกต่าง ประกาศลำดับที่มีการสั่ง p และ q, d ที่สุดถดถอยชิ้น
ย้ายเฉลี่ย (อา) รุ่น แทนอา (p, d, q) ในบางครั้งมีการเปลี่ยนแปลงตามฤดูกาลยังคงอยู่ หรือ
ปัจจัยอื่น ๆ ทำให้เกิดการเปลี่ยนแปลงเป็นครั้งคราวที่สำคัญ ชนิดของลำดับนี้คือลำดับตามฤดูกาล [12] แบบทิพย
พัฒนาจากแบบอาร์มา รุ่นอาร์มาทำนายตัวแปรผลที่ได้จากค่าของผลลัพธ์ที่ก่อนหน้า
จุดเวลา แต่มันเป็นเพียงเหมาะสำหรับกระบวนการเครื่องเขียน ถ้าสังเกตการเปลี่ยนแปลงตามฤดูกาลล้าง แบบทิพยอาจ
ที่เหมาะสม ซึ่งทำให้แนวโน้มระยะยาวและผลของฤดูกาล [13] ทิพยรูปแบบขึ้นอยู่กับโปรแกรมประยุกต์
รุ่นอาร์มากับชุดเวลาแปรรูป ที่ถูกตัดออกทำงานตามฤดูกาล และ เขียนไม่

ผลลัพธ์ (ไทย) 3:

2 . เวลารุ่น
2.1 Series การแนะนำ
เวลารุ่นตามการสั่งซื้อที่ของตัวแปรช่วงเวลาและการกำเนิดของตัวแปรแบบสุ่ม เวลา Series
ซึ่งจะช่วยการวิเคราะห์จะเป็นการประเมินและการวิจัยที่ตามลำดับเวลาที่กำหนดให้ในการเปลี่ยนแปลงระยะยาวที่ที่มีอยู่ในการดำเนินการของสำนักงานสถิติแห่งชาติ
อาจิณ[ 8 ] arma รุ่นที่เป็นรุ่นของเวลา - Series แบบสุ่มทั่วไปก่อตั้งขึ้นในกล่องและว่าไงนอกจากนั้นยังเป็น
ซึ่งจะช่วยเรียกว่าวิธีการ b - J ได้ ในช่วงหลายปีที่ผ่านมาที่บ้านและในต่างประเทศใช้วิธีการที่ได้รับการยอมรับอย่างกว้างขวางนำไปใช้ในการพยากรณ์ สภาพ อากาศเนื่องจาก
ข้อดีและแอปพลิเคชันแบบเรียบง่ายของพื้นที่ตามทฤษฎี[ 9,10 ].
arma ( P Q )รุ่นเหมาะสำหรับใช้ในการวิเคราะห์ Series ได้อย่างราบรื่นเวลา[ 11 ] ในแอปพลิเคชันในทางปฏิบัติเรามักจะพบ Series
เวลา nonstationary แล้วโดยปกติแล้วเราจำเป็นต้องจัดการกับความแตกต่าง Series เวลาเดิม หากเดิมเวลา Series D การสั่งซื้อ
ความแตกต่างที่มีลำดับได้อย่างราบรื่น arma ( P Q )ได้ประกาศตามลำดับที่มีการสั่งซื้อที่ P และ Q D ( Log มากที่สุดเฉลี่ยชิ้น
ย้าย( arima )เป็นตัวแทน arima ( P D Q ) ในบางครั้งมีการเปลี่ยนแปลงไปตามฤดูกาลที่มีอยู่หรือปัจจัยอื่นๆ
ซึ่งจะช่วยทำให้เกิดการเปลี่ยนแปลงอย่างมีนัยสำคัญเป็นระยะๆประเภท นี้เป็นเรียกว่าตามลำดับตามฤดูกาลที่[ 12 ] รุ่น sarima
ซึ่งจะช่วยให้ได้รับการพัฒนาจากรุ่น arma ได้ รุ่น arma คาดการณ์ผลลัพธ์ที่ได้จากค่าของผลลัพธ์ที่จุด
ช่วงเวลาก่อนหน้าแต่มันเป็นเพียงเหมาะสำหรับขั้นตอนที่ยืนอยู่กับที่ หากการเปลี่ยนแปลงตามฤดูกาลล้างที่พบว่ามีรุ่น sarima ได้
ซึ่งจะช่วยเพิ่มเติมที่เหมาะสมซึ่งช่วยให้สำหรับแนวโน้มระยะยาวและผลตามฤดูกาล[ 13 ] sarima รุ่นที่มีพื้นฐานมาจากแอปพลิเคชันที่
ของรุ่น arma เพื่อเวลาที่ปรับเปลี่ยนพฤติกรรมตามฤดูกาลและไม่หยุดนิ่งอยู่กับที่ได้รับการกำจัด