First, the linear approach is suita

First, the linear approach is suitable for cases where independent
and dependent variables are in a linear relationship. While the
MRA model is simple and efficient, its prediction accuracy is low
[16e18]. Mohamed and Bodger [19] and Baker and Rylatt [20]
attempted to predict electricity consumption in New Zealand and
the UK domestic energy demand, respectively, using the MRA
model. The ARIMA model, a methodology developed by Box and
Jenkins, can predict future values using the auto-correlation analysis
of time series data [21]. If there is a seasonal pattern in time
series data, the SARIMA model can be used [22]. Gonzales et al. [23]
predicted the future values of five energetic variables (i.e., domestic
electricity consumption, industrial electric energy consumption black-coal production, anthracite production, and electric energy
production) in Northern Spain. Compared to exponential smoothing
and the MRA model, it was determined that the ARIMA model
was the most superior.

ผลลัพธ์ (ไทย) 1:

ครั้งแรก วิธีเส้นตรงเหมาะสำหรับกรณีเป็นอิสระและขึ้นอยู่กับตัวแปรมีความสัมพันธ์เชิงเส้น ในขณะรูปแบบ MRA จะง่าย และมีประสิทธิภาพ ความถูกต้องของการคาดเดามีน้อย[16e18] . Mohamed และ Bodger [19] และเบเกอร์ และ Rylatt [20]พยายามทำนายปริมาณการใช้ไฟฟ้าในประเทศนิวซีแลนด์ และพลังงานภายในประเทศสหราชอาณาจักรต้อง ตามลำดับ MRA ใช้แบบจำลอง แบบอา วิธีการพัฒนา โดยกล่อง และเจงกินส์ สามารถทำนายค่าในอนาคตโดยใช้การวิเคราะห์ความสัมพันธ์โดยอัตโนมัติเวลาชุดข้อมูล [21] ถ้ามีรูปแบบตามฤดูกาลเวลาชุดข้อมูล แบบทิพยสามารถใช้ [22] กอนซาเลซและ al. [23]ทำนายค่าในอนาคตของตัวแปรมีพลังห้า (เช่น ในประเทศปริมาณการใช้ไฟฟ้า ผลิตพลังงานไฟฟ้าอุตสาหกรรมการใช้ถ่านหินดำ แอนทราไซท์ผลิต และพลังงานไฟฟ้าการผลิต) ในภาคเหนือ เมื่อเทียบกับการปรับให้เรียบแบบเลขชี้กำลังและรูปแบบ MRA ถูกกำหนดที่รูปแบบอามีห้องมากที่สุด

ผลลัพธ์ (ไทย) 2:

First, the linear approach is suitable for cases where independent
ครั้งแรกวิธีการเชิงเส้นเหมาะสำหรับกรณีที่เป็นอิสระตัวแปรและขึ้นอยู่ในความสัมพันธ์เชิงเส้น and dependent variables are in a linear relationship. While the
MRA model is simple and efficient, its prediction accuracy is low
[16e18]. Mohamed and Bodger [19] and Baker and Rylatt [20]
attempted to predict electricity consumption in New Zealand and
the UK domestic energy demand, respectively, using the MRA
model. The ARIMA model, a methodology developed by Box and
Jenkins, can predict future values using the auto-correlation analysis
of time series data [21]. If there is a seasonal pattern in time
series data, the SARIMA model can be used [22]. Gonzales et al. [23]
predicted the future values of five energetic variables (i.e., domestic
electricity consumption, industrial electric energy consumption black-coal production, anthracite production, and electric energy
production) in Northern Spain. Compared to exponential smoothing
and the MRA model, it was determined that the ARIMA model
was the most superior.

ผลลัพธ์ (ไทย) 3:

แรก , วิธีการเชิงเส้นเหมาะสำหรับกรณีที่อิสระ
และตัวแปรมีความสัมพันธ์เชิงเส้น ในขณะที่
มราแบบง่าย และมีประสิทธิภาพ ความแม่นยำของการทำนายต่ำ
[ 16e18 ] โม และ bodger [ 19 ] และ เบเกอร์ และ rylatt [ 20 ]
พยายามที่จะคาดการณ์การใช้ไฟฟ้าในนิวซีแลนด์และสหราชอาณาจักรภายในประเทศ
ความต้องการพลังงาน ตามลำดับ โดยใช้มรา
นางแบบแบบจำลอง ARIMA , วิธีการพัฒนาโดยกล่อง
เจนกินส์ สามารถทำนายค่าในอนาคตโดยอัตโนมัติของข้อมูลอนุกรมเวลา การวิเคราะห์สหสัมพันธ์
[ 21 ] ถ้ามีรูปแบบตามฤดูกาลในข้อมูล
ชุดเวลา sarima รูปแบบสามารถใช้ [ 22 ] กอนซาเลส et al . [ 23 ]
ทำนายค่าในอนาคตของห้าขันตัวแปร ( เช่น การใช้ไฟฟ้าในประเทศ
,อุตสาหกรรมไฟฟ้าพลังงานถ่านหินแอนทราไซต์สีดำการผลิต , การผลิตและการผลิตพลังงานไฟฟ้า
) ในภาคเหนือของประเทศสเปน เมื่อเทียบกับการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล
และประกอบด้วยแบบจำลอง พบว่าแบบจำลอง
คือที่เหนือกว่ามากที่สุด