and dependent variables are in a li

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) 2:

และตัวแปรที่อยู่ในความสัมพันธ์เชิงเส้น ในขณะที่รูปแบบการ MRA เป็นเรื่องง่ายและมีประสิทธิภาพถูกต้องทำนายที่ต่ำ [16e18] โมฮาเหม็และ Bodger [19] และเบเกอร์และ Rylatt [20] ความพยายามที่จะคาดการณ์ปริมาณการใช้ไฟฟ้าในนิวซีแลนด์และสหราชอาณาจักรมีความต้องการพลังงานในประเทศตามลำดับโดยใช้ MRA รูปแบบ รูปแบบ ARIMA, วิธีการพัฒนาโดยกล่องและเจนกินส์สามารถทำนายค่าในอนาคตโดยใช้การวิเคราะห์อัตโนมัติสัมพันธ์ของข้อมูลอนุกรมเวลา[21] หากมีรูปแบบตามฤดูกาลในช่วงเวลาที่ข้อมูลชุดรูปแบบ SARIMA สามารถใช้ [22] กอนซาเล et al, [23] ที่คาดการณ์ไว้ในอนาคตของค่าตัวแปรห้าพลัง(เช่นในประเทศปริมาณการใช้ไฟฟ้าการใช้พลังงานไฟฟ้าในภาคอุตสาหกรรมการผลิตสีดำถ่านหินแอนทราไซผลิตและพลังงานไฟฟ้าการผลิต) ในภาคเหนือของสเปน เมื่อเทียบกับการปรับให้เรียบชี้แจงและรูปแบบ MRA มันก็ตั้งใจว่ารูปแบบ ARIMA เป็นที่เหนือกว่ามากที่สุด

ผลลัพธ์ (ไทย) 3:

และตัวแปรมีความสัมพันธ์เชิงเส้น ในขณะที่
มราแบบง่าย และมีประสิทธิภาพ ความแม่นยำของการทำนายต่ำ
[ 16e18 ] โม และ bodger [ 19 ] และ เบเกอร์ และ rylatt [ 20 ]
พยายามที่จะคาดการณ์การใช้ไฟฟ้าในนิวซีแลนด์และสหราชอาณาจักรภายในประเทศ
ความต้องการพลังงาน ตามลำดับ โดยใช้มรา
นางแบบ แบบจำลอง ARIMA , วิธีการพัฒนาโดยกล่อง
เจนกินส์สามารถทำนายค่าในอนาคตโดยอัตโนมัติของข้อมูลอนุกรมเวลา การวิเคราะห์สหสัมพันธ์
[ 21 ] ถ้ามีรูปแบบตามฤดูกาลในข้อมูล
ชุดเวลา sarima รูปแบบสามารถใช้ [ 22 ] กอนซาเลส et al . [ 23 ]
ทำนายค่าในอนาคตของห้าขันตัวแปร ( เช่นในประเทศ
ใช้ไฟฟ้าอุตสาหกรรม , ไฟฟ้าพลังงานถ่านหินสีดำการผลิตการผลิตแอนทราไซต์และ
พลังงานไฟฟ้าการผลิตในภาคเหนือของประเทศสเปน เมื่อเทียบกับการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล
และประกอบด้วยแบบจำลอง พบว่าแบบจำลอง
เป็นเหนือกว่ามากที่สุด