The determination of an appropriate

The determination of an appropriate forecasting model was based on historical data, while the error
criteria such as mean squared error (MSE) and mean absolute percentage error (MAPE) were utilized
as measures to justify the appropriate model. In addition to minimizing the errors, one of the most
important conditions was that the residual from the forecasting model had to satisfy all the
assumptions or pass the model adequacy checking (normally and independently distributed: NID).
According to the literature, most forecasting models were determined from three popular methods,
i.e., autoregressive integrated moving average (ARIMA), artificial neural network (ANN) and multiple
linear regression (MLR) model. For time series analysis, the autoregressive integrated moving average
(ARIMA) model is a stochastic difference equation that is frequently utilized to model stochastic
disturbances [1]. Some specific forms of the ARIMA model were utilized to represent autocorrelated
disturbances, e.g., autoregressive order one, ARIMA (1,0,0) or AR (1) for stationary disturbances,
while an integrated moving average, ARIMA (0,1,1) or IMA (1,1) are used to represent non-stationary
disturbances, as recommended by Montgomery, Keats, Runger and Messina [2] and Box and Luceno [3].

ผลลัพธ์ (ไทย) 1:

กำหนดแบบจำลองการคาดการณ์ที่เหมาะสมเป็นไปตามข้อมูลทางประวัติศาสตร์ ในขณะที่ข้อผิดพลาดเกณฑ์หมายถึง ข้อผิดพลาดที่ยกกำลังสอง (MSE) และหมายถึง สมบูรณ์เปอร์เซ็นต์ข้อผิดพลาด (MAPE) ถูกนำมาใช้เช่นเป็นมาตรการเพื่อจัดรูปแบบที่เหมาะสม นอกจากลดข้อผิดพลาด ของเงื่อนไขสำคัญว่า ส่วนที่เหลือจากจากแบบจำลองการคาดการณ์ได้ทุกสมมติฐานหรือผ่านการตรวจสอบแบบจำลองเพียงพอ (โดยปกติ และเป็นอิสระกระจาย: ใจกลางเมือง)ตามวรรณคดี แบบจำลองการคาดการณ์ส่วนใหญ่ถูกกำหนดจากสามวิธียอดนิยมเช่น autoregressive รวมค่าเฉลี่ยเคลื่อนที่ (อา), โครงข่ายประสาทเทียม (แอน) และหลายแบบจำลองถดถอยเชิงเส้น (MLR) สำหรับเวลาชุดวิเคราะห์ autoregressive การรวมค่าเฉลี่ยเคลื่อนที่(อา) แบบจำลองคือ สมการความแตกต่างแบบเฟ้นสุ่มที่บ่อยได้ใช้แบบจำลองแบบเฟ้นสุ่มแหล่ง [1] บางรูปแบบเฉพาะของรุ่นอาถูกใช้ถึง autocorrelatedรบกวน เช่น autoregressive สั่ง อา (1,0,0) หรือ AR (1) สำหรับแหล่งเครื่องเขียนขณะที่การย้ายรวม เฉลี่ย อา (0,1,1) หรือใช้ IMA (1.1) ถึงไม่เขียนแปรปรวน ที่แนะนำ โดยมอนท์โก Keats, Runger และ Messina [2] และกล่อง และ Luceno [3]

ผลลัพธ์ (ไทย) 2:

การกำหนดรูปแบบการพยากรณ์ที่เหมาะสมขึ้นอยู่กับข้อมูลทางประวัติศาสตร์ในขณะที่ข้อผิดพลาดตามเกณฑ์เช่นค่าเฉลี่ยกำลังสองข้อผิดพลาด (MSE) หมายถึงข้อผิดพลาดและร้อยละสัมบูรณ์ (MAPE) ถูกนำมาใช้เป็นมาตรการในการแสดงให้เห็นถึงรูปแบบที่เหมาะสม นอกจากนี้ในการลดข้อผิดพลาดมากที่สุดแห่งหนึ่งเงื่อนไขที่สำคัญคือการที่เหลือจากแบบจำลองการคาดการณ์ได้เพื่อตอบสนองทุกสมมติฐานหรือผ่านความเพียงพอรูปแบบการตรวจสอบ(ปกติและเป็นอิสระกระจาย: NID). ตามวรรณคดีส่วนใหญ่รูปแบบการพยากรณ์ ได้รับการพิจารณาจากสามวิธีที่นิยมคืออัตรวมค่าเฉลี่ยเคลื่อนที่(ARIMA) เครือข่ายประสาทเทียม (ANN) และหลายถดถอยเชิงเส้น(MLR) รูปแบบ สำหรับการวิเคราะห์อนุกรมเวลาที่อัตรวมค่าเฉลี่ยเคลื่อนที่(ARIMA) เป็นรูปแบบสมการความแตกต่างสุ่มที่ใช้บ่อยในการจำลองสุ่มรบกวน[1] บางรูปแบบเฉพาะของรูปแบบ ARIMA ถูกนำมาใช้เพื่อเป็นตัวแทนของอัตสหสัมพันธ์กับระเบิดเช่นการสั่งซื้ออัตหนึ่ง ARIMA (1,0,0) หรือ AR (1) สำหรับการรบกวนนิ่งในขณะที่ค่าเฉลี่ยเคลื่อนที่แบบบูรณาการARIMA (0,1,1 ) หรือ IMA (1,1) จะใช้ในการแสดงที่ไม่หยุดนิ่งกับระเบิดตามคำแนะนำของอคีทส์Runger และเมส [2] และกล่องและ Luceno [3]

ผลลัพธ์ (ไทย) 3:

การกำหนดรูปแบบการพยากรณ์ที่เหมาะสมบนพื้นฐานของข้อมูลทางประวัติศาสตร์ ในขณะที่ข้อผิดพลาด
เกณฑ์เช่นค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) และค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน ( MAPE ) ถูกใช้เป็นมาตรการที่จะปรับ
แบบที่เหมาะสม นอกจากการลดข้อผิดพลาด หนึ่งในเงื่อนไขสำคัญที่สุด
ที่ตกค้างจากการพยากรณ์ต้องตอบสนองทั้งหมด
ผ่านรูปแบบการตรวจสอบสมมติฐานหรือเพียงพอ ( ปกติและเป็นอิสระกระจาย : นิด )
ตามวรรณกรรม มากที่สุด แบบพยากรณ์โดยพิจารณาจากสามวิธีที่นิยม
I , ตัวเองรวมค่าเฉลี่ยเคลื่อนที่ ( ARIMA ) , โครงข่ายประสาทเทียม ( ANN ) และการถดถอยพหุคูณเชิงเส้นตรง
( MLR ) นางแบบ สำหรับการวิเคราะห์อนุกรมเวลา , ตัวเองรวมเฉลี่ยเคลื่อนที่
( ARIMA ) แบบจำลองเป็นสมการต่าง ที่มักใช้สุ่มแบบสุ่ม
รบกวน [ 1 ] รูปแบบเฉพาะบางส่วนของโมเดลอริมาถูกใช้เป็นตัวแทน 365
รบกวน เช่น ตัวหนึ่งสั่ง , ARIMA ( 1,0,0 ) หรือ AR ( 1 ) กวนนิ่ง
ในขณะที่บูรณาการเฉลี่ยเคลื่อนที่ ARIMA ( การส่งออกสินค้าเกษตรกรณี : ) หรือ IMA ( 1 , 1 ) จะถูกใช้เพื่อแสดง non-stationary
รบกวนเป็นที่แนะนำโดยมอนโกเมอรี่ คีทส์ runger และเมสซี [ 2 ] และกล่องและ luceno [ 3 ]