The SARIMA model and the ANN model

The SARIMA model and the ANN model are methodologies that
predict future values using historically observed data, each of
which is suitable for linear and non-linear problems, respectively.
The SARIMA model cannot effectively explain non-linear problems,
while the ANN model offers sufficient explanatory power for nonlinear
problems [58]. On the other hand, the ANN model cannot
effectively explain the characteristics of seasonal and trend time
series [22]. As a result, if the SARIMA model or the ANN model is
implemented individually, it will be difficult to solve complicated
problems. Generally, however, observed values (Zt) have both a
linear factor (LFt) and a non-linear factor (NFt) (refer to equation
(9)) [37]. Therefore, it is necessary to develop a hybrid model that
combined both linear and non-linear approaches to solve this issue.

ผลลัพธ์ (ไทย) 1:

แบบทิพยและรุ่นแอนเป็นวิธีการที่ทำนายค่าในอนาคตโดยใช้ข้อมูลประวัติสังเกต แต่ละซึ่งเหมาะสำหรับปัญหาเชิงเส้น และไม่เชิงเส้น ตามลำดับแบบสมถวิลได้อย่างมีประสิทธิภาพไม่สามารถอธิบายปัญหาไม่เชิงเส้นขณะกำลังอธิบายเพียงพอสำหรับแบบแอนไม่เชิงเส้นปัญหา [58] บนมืออื่น ๆ แบบแอนไม่อธิบายลักษณะของฤดูกาลและแนวโน้มเวลาได้อย่างมีประสิทธิภาพชุด [22] เป็นผล ถ้าแบบทิพยหรือแบบแอนนำที จะเป็นเรื่องยากซับซ้อนแก้ปัญหา โดยทั่วไป อย่างไรก็ตาม ค่าสังเกต (Zt) มีทั้งแบบปัจจัยเชิงเส้น (LFt) และปัจจัยที่ไม่ใช่เชิงเส้น (NFt) (อ้างถึงสมการ(9)) [37] ดังนั้น จึงเป็นความจำเป็นในการพัฒนาลูกผสมรุ่นที่รวมทั้งเชิงเส้น และไม่เชิงเส้นวิธีการแก้ปัญหานี้

ผลลัพธ์ (ไทย) 2:

รูปแบบ SARIMA และแบบจำลอง ANN เป็นวิธีการที่คาดการณ์ค่าในอนาคตโดยใช้ข้อมูลที่สังเกตในอดีตของแต่ละคนซึ่งเหมาะสำหรับการเชิงเส้นและปัญหาที่ไม่ใช่เชิงเส้นตามลำดับ. รุ่น SARIMA ได้อย่างมีประสิทธิภาพไม่สามารถอธิบายปัญหาไม่เชิงเส้นในขณะที่รูปแบบการANN มีเพียงพอ อำนาจอธิบายไม่เชิงเส้นสำหรับปัญหา[58] ในทางกลับกันแบบ ANN ไม่สามารถได้อย่างมีประสิทธิภาพอธิบายลักษณะของฤดูกาลและเวลาแนวโน้มซีรีส์[22] เป็นผลให้ถ้า SARIMA รูปแบบหรือรูปแบบแอนถูกนำมาใช้เป็นรายบุคคลก็จะเป็นเรื่องยากที่จะแก้ปัญหาที่มีความซับซ้อนปัญหา โดยทั่วไป แต่สังเกตค่า (Zt) มีทั้งปัจจัยเชิงเส้น (LFT) และปัจจัยที่ไม่ใช่เชิงเส้น (NFT) (หมายถึงสมการ (9)) [37] ดังนั้นจึงเป็นสิ่งจำเป็นที่จะต้องพัฒนารูปแบบไฮบริดที่รวมทั้งวิธีการเชิงเส้นและไม่เชิงเส้นในการแก้ปัญหานี้

ผลลัพธ์ (ไทย) 3:

การ sarima รูปแบบและรูปแบบ แอน เป็นวิธีการที่ใช้ทำนายค่าในอนาคต
ในอดีตข้อมูลแต่ละ
ซึ่งเหมาะสำหรับปัญหาเชิงเส้นและเส้นตามลำดับ sarima
รูปแบบได้อย่างมีประสิทธิภาพไม่อธิบายปัญหาไม่เชิงเส้น ในขณะที่รูปแบบแอน
มีความสามารถเพียงพอสำหรับปัญหาไม่เชิงเส้น
[ 58 ] บนมืออื่น ๆ , แอนไม่สามารถรุ่น
ได้อย่างมีประสิทธิภาพ อธิบายลักษณะของฤดูกาล และเทรนด์ชุดเวลา
[ 22 ] ผลคือ ถ้า sarima โมเดลหรือแบบจำลอง ANN เป็น
ดำเนินการแต่ละ จะยากในการแก้ปัญหาที่ซับซ้อน
. โดยทั่วไป อย่างไรก็ตาม พบว่าค่า ( คูน ) มีทั้ง
เส้นตรงปัจจัย ( LFT ) และปัจจัยเชิงเส้น ( nft ) ( อ้างอิงจากสมการ
( 9 ) [ 37 ] ดังนั้นมันเป็นสิ่งจำเป็นที่จะพัฒนารุ่นลูกผสมที่ได้ทั้งในแบบเชิงเส้นและแบบ
รวมวิธีการแก้ปัญหานี้