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].
Ediger and Akar [4] utilized both the ARIMA and seasonal ARIMA (SARIMA) models to estimate
the future primary energy demand of Turkey from 2005 to 2020. The ARIMA method was also
deployed by Abdel-Aal and Al-Garni [5] to forecast monthly domestic electric energy consumption in
the eastern province of Saudi Arabia and the optimum model in this case was the first ordered ARIMA
with a multiplicative combination of seasonal and non-seasonal autoregressive parts. Zhou, Ang and
Poh [6] improved the accuracy of electricity demand predictions by combining the traditional grey
model GM (1,1) with the trigonometric residual modification technique. Additionally, Cho, Hwang
and Chen [7] compared the results of the univariate ARIMA and the traditional regression models to
forecast the short-term load by considering weather-load relationships

ผลลัพธ์ (ไทย) 1:

กำหนดแบบจำลองการคาดการณ์ที่เหมาะสมตามข้อมูลในอดีต ในขณะที่ข้อผิดพลาดเกณฑ์หมายถึง ข้อผิดพลาดกำลังสอง (MSE) และหมายถึง มีใช้เปอร์เซ็นต์ความผิดพลาด (MAPE) เช่นเป็นมาตรการเพื่อจัดรูปแบบเหมาะสม นอกจากลดข้อผิดพลาด หนึ่งในสุดเงื่อนไขที่สำคัญคือ ที่เหลือจากแบบจำลองการคาดการณ์ได้ทุกสมมติฐานหรือผ่านการตรวจสอบแบบจำลองเพียงพอ (โดยปกติ และโดยอิสระกระจาย: NID)ตามวรรณคดี แบบจำลองการคาดการณ์ส่วนใหญ่ถูกกำหนดจากสามวิธียอดนิยมเช่น autoregressive รวมค่าเฉลี่ยเคลื่อนที่ (ARIMA), โครงข่ายประสาทเทียม (แอน) และหลายแบบจำลองถดถอยเชิงเส้น (MLR) สำหรับเวลาชุดวิเคราะห์ autoregressive การรวมค่าเฉลี่ยเคลื่อนที่รุ่น (ARIMA) เป็นสมการ stochastic ต่างที่มักจะใช้กับรุ่น stochasticรบกวน [1] ใช้บางรูปแบบเฉพาะของแบบจำลอง ARIMA ถึง autocorrelatedรบกวน เช่น autoregressive สั่ง ARIMA (1,0,0) หรือ AR (1) สำหรับเครื่องเขียนรบกวนขณะเคลื่อนตัว เฉลี่ย ARIMA (0,1,1) หรือ IMA (1.1) ใช้เพื่อแสดงการเคลื่อนไหวการรบกวน การที่แนะนำ โดยมอนต์กอเมอรี Keats, Runger และเม [2] และกล่อง และ Luceno [3]Ediger และ Akar [4] ใช้ทั้งอาริมะและแบบจำลอง ARIMA (สมถวิล) ตามฤดูกาลประมาณพลังงานหลักในอนาคตความต้องการของตุรกีจาก 2005 ถึง 2020 ก็วิธี ARIMAจัดวาง โดย Abdel ลอัลและอัล-Garni [5] ในการพยากรณ์ปริมาณการใช้พลังงานไฟฟ้าในประเทศรายเดือนในจังหวัดภาคตะวันออกของประเทศซาอุดิอาระเบียและรุ่นสูงสุดในกรณีนี้คือ ARIMA ที่สั่งครั้งแรกด้วยการผสมผสานที่คูณส่วน autoregressive ตามฤดูกาล และไม่มีฤดูกาล โจว อ่างทอง และโพธิ์ [6] การปรับปรุงความแม่นยำของการคาดคะเนความต้องการไฟฟ้า โดยการรวมสีเทาแบบดั้งเดิมรุ่น GM (1.1) ด้วยเทคนิคปรับเปลี่ยนเหลือตรีโกณมิติ นอกจากนี้ โจ ฮวงและเฉิน [7] เปรียบเทียบผลลัพธ์ของไร univariate ARIMA และโมเดลถดถอยแบบดั้งเดิมไปการคาดการณ์ระยะสั้นโหลด โดยพิจารณาความสัมพันธ์ของสภาพอากาศโหลด

ผลลัพธ์ (ไทย) 2:

การกำหนดรูปแบบการคาดการณ์ที่เหมาะสมอยู่บนพื้นฐานของข้อมูลที่ผ่านมาในขณะที่ข้อผิดพลาด
เกณฑ์เช่นค่าเฉลี่ยกำลังสองข้อผิดพลาด (MSE) และหมายถึงข้อผิดพลาดร้อยละสัมบูรณ์ (MAPE) ถูกนำมาใช้
เป็นมาตรการในการปรับรูปแบบที่เหมาะสม นอกเหนือไปจากการลดข้อผิดพลาดมากที่สุดแห่งหนึ่ง
เงื่อนไขที่สำคัญคือการที่เหลือจากแบบจำลองการคาดการณ์ที่มีการตอบสนองทุก
สมมติฐานหรือผ่านการตรวจสอบรูปแบบความเพียงพอ (ปกติและเป็นอิสระกระจาย: NID).
ตามวรรณคดีส่วนใหญ่รูปแบบการพยากรณ์ ได้รับการพิจารณาจากสามวิธีที่นิยม
คืออัตรวมค่าเฉลี่ยเคลื่อนที่ (ARIMA), เครือข่ายประสาทเทียม (ANN) และหลาย
ถดถอยเชิงเส้น (MLR) รุ่น สำหรับการวิเคราะห์อนุกรมเวลาอัตรวมค่าเฉลี่ยเคลื่อนที่
(ARIMA) รุ่นเป็นสมการความแตกต่าง stochastic ที่ใช้บ่อยในการจำลองสุ่ม
รบกวน [1] บางรูปแบบที่เฉพาะเจาะจงของรูปแบบ ARIMA ถูกนำมาใช้เพื่อเป็นตัวแทนของอัตสหสัมพันธ์
การรบกวนเช่นการสั่งซื้ออัตหนึ่ง ARIMA (1,0,0) หรือ AR (1) สำหรับการรบกวนนิ่ง
ในขณะที่แบบบูรณาการเฉลี่ยเคลื่อนที่, ARIMA (0,1,1 ) หรือ IMA (1,1) ที่ใช้แทนไม่หยุดนิ่ง
กับระเบิดตามคำแนะนำของอคีทส์ Runger และเมสซี [2] และกล่องและ Luceno [3].
เอดิเกอร์และ Akar [4] ใช้ทั้ง ARIMA และตามฤดูกาล ARIMA (SARIMA) รุ่นที่จะประเมิน
ความต้องการในอนาคตพลังงานหลักของตุรกีจากปี 2005 ถึงปี 2020 วิธี ARIMA ยังถูก
นำไปใช้โดย Abdel-Aal และอัลการ์ [5] ที่จะคาดการณ์การใช้พลังงานไฟฟ้าในประเทศรายเดือนใน
จังหวัดทางทิศตะวันออกของประเทศซาอุดีอาระเบีย และรูปแบบที่เหมาะสมในกรณีนี้เป็นครั้งแรกที่สั่งซื้อ ARIMA
ที่มีการผสมผสานการคูณของฤดูกาลและไม่ใช่ฤดูกาลส่วนอัต โจวอ่างทองและ
Poh [6] การปรับปรุงความถูกต้องของการคาดการณ์ความต้องการใช้ไฟฟ้าโดยการรวมแบบดั้งเดิมสีเทา
รุ่น GM (1,1) ด้วยเทคนิคการปรับเปลี่ยนที่เหลือตรีโกณมิติ นอกจากนี้โชฮวาง
และเฉิน [7] เมื่อเทียบกับผลของการ univariate ARIMA และรูปแบบการถดถอยแบบดั้งเดิมในการ
คาดการณ์ภาระในระยะสั้นโดยพิจารณาความสัมพันธ์กับสภาพอากาศที่โหลด

ผลลัพธ์ (ไทย) 3:

การกำหนดรูปแบบการพยากรณ์ที่เหมาะสมบนพื้นฐานของข้อมูลทางประวัติศาสตร์ ในขณะที่ข้อผิดพลาดเกณฑ์ เช่น ค่าเฉลี่ยความคลาดเคลื่อนยกกำลังสอง ( MSE ) และค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน ( MAPE ) ถูกใช้เป็นมาตรการเพื่อปรับรูปแบบให้เหมาะสม นอกจากการลดข้อผิดพลาดใหญ่เงื่อนไขสำคัญที่ตกค้างจากการพยากรณ์มีการตอบสนองทั้งหมดผ่านรูปแบบการตรวจสอบสมมติฐานหรือเพียงพอ ( ปกติและเป็นอิสระกระจาย : นิด )ตามวรรณคดี ส่วนใหญ่ตัวแบบพยากรณ์คำนวณจากสามวิธีที่นิยมเช่น วิธีเฉลี่ยเคลื่อนที่แบบบูรณาการ ( ARIMA ) , โครงข่ายประสาทเทียม ( ANN ) และหลายการถดถอยเชิงเส้น ( MLR ) นางแบบ สำหรับการวิเคราะห์อนุกรมเวลา , ตัวเองรวมเฉลี่ยเคลื่อนที่( ARIMA ) แบบจำลองเป็นสมการต่าง ที่มักใช้สุ่มแบบสุ่มรบกวน [ 1 ] รูปแบบเฉพาะบางส่วนของโมเดลอริมาถูกใช้เป็นตัวแทน 365การรบกวน เช่น ตัวหนึ่งสั่ง , ARIMA ( 1,0,0 ) หรือ AR ( 1 ) การแปรปรวน เครื่องเขียนในขณะที่การรวมเฉลี่ยเคลื่อนที่ ARIMA ( การส่งออกสินค้าเกษตรกรณี : ) หรือ IMA ( 1 , 1 ) จะถูกใช้เพื่อแสดง non-stationaryรบกวนเป็นที่แนะนำโดยมอนโกเมอรี่ คีทส์ runger และเมสซี [ 2 ] และกล่องและ luceno [ 3 ]และ เ ิเกอร์ akar [ 4 ] ใช้ทั้งตามฤดูกาลและพยากรณ์ ARIMA ( sarima ) แบบประเมินอนาคตพลังงานหลักความต้องการของตุรกี จากปี 2548 ถึงปี 2563 วิธีพยากรณ์ยังใช้เดล aal และอัล การ์นิ [ 5 ] พยากรณ์รายเดือน ไฟฟ้า การใช้พลังงานในประเทศทางทิศตะวันออกจังหวัดของซาอุดิอาระเบีย และแบบจำลองที่เหมาะสมในกรณีนี้เป็นครั้งแรกเมื่อสั่งด้วยการรวมกันการคูณของฤดูกาลและไม่ส่วนตัวตามฤดูกาล โจว อ่างทอง และปู๋ [ 6 ] การปรับปรุงความถูกต้องของการคาดการณ์ความต้องการไฟฟ้าโดยรวมแบบสีเทาแบบจำลองกรัม ( 1 , 1 ) กับค่าเทคนิคการปรับปรุงส่วนที่เหลือ นอกจากนี้ โช ฮวางและ Chen [ 7 ] เปรียบเทียบผลลัพธ์ของการตลาดและการรักษาแบบดั้งเดิมการพยากรณ์ระยะสั้น โดยพิจารณาความสัมพันธ์โหลดอากาศโหลด