Data availability: Traditional time

Data availability: Traditional time series (ARIMA and SARIMA),
hybrid seasonal time series (SARIMA-MLR and SARIMA-QR)
and MLPNN models proportionately perform better based on
the length of historical data (both response and predictor
variables). More and detailed the data, superior the accuracy.
Comparatively, the MLPNN models require higher amount of
data than the time series models for better approximation, i.e.,
the predictions are less reliable and accurate when the training data are insufficient. On the other hand, the seasonal naïve
forecasting model is more suitable when the data of response
and predictors variables are qualitative

ผลลัพธ์ (ไทย) 1:

ข้อมูลความพร้อมใช้งาน: ชุดเวลาดั้งเดิม (ARIMA และทิพย),ไฮบริดซีรีส์ฤดูกาลเวลา (ทิพย MLR และทิพย QR)และรุ่น MLPNN ตามสัดส่วนทำตามดีกว่าความยาวของข้อมูลในอดีต (การตอบสนองและทำนายตัวแปร) เพิ่มเติม และรายละเอียดข้อมูล ซูความถูกต้องค่อนข้าง รุ่น MLPNN ต้องสูงขึ้นจากเวลาที่ชุดรูปแบบสำหรับข้อมูลที่ดีกว่าประมาณ เช่นการคาดคะเนถูกต้อง และเชื่อถือได้น้อยเมื่อข้อมูลการฝึกอบรมไม่เพียงพอ บนมืออื่น ๆ ไร้เดียงสาตามฤดูกาลการคาดการณ์รูปแบบเหมาะสมมากเมื่อข้อมูลของการตอบสนองและตัวแปรพยากรณ์ที่มีคุณภาพ

ผลลัพธ์ (ไทย) 2:

ความพร้อมใช้งานของข้อมูล: อนุกรมเวลาแบบดั้งเดิม (ARIMA และ SARIMA)
ไฮบริดอนุกรมเวลาตามฤดูกาล (SARIMA-MLR และ SARIMA-QR)
และ MLPNN รุ่นสัดส่วนดำเนินการที่ดีขึ้นอยู่กับ
ความยาวของข้อมูลทางประวัติศาสตร์ (ทั้งตอบสนองและการทำนาย
ตัวแปร) และรายละเอียดเพิ่มเติมข้อมูลที่เหนือกว่าความถูกต้อง.
เปรียบเทียบรุ่น MLPNN ต้องใช้จำนวนเงินที่สูงขึ้นของ
ข้อมูลกว่ารุ่นซีรีส์เวลาสำหรับการประมาณที่ดีกว่าคือ
การคาดการณ์ที่มีความน่าเชื่อถือน้อยและถูกต้องเมื่อข้อมูลการฝึกอบรมจะไม่เพียงพอ บนมืออื่น ๆ ตามฤดูกาลไร้เดียงสา
แบบจำลองการพยากรณ์ความเหมาะสมมากขึ้นเมื่อข้อมูลของการตอบสนอง
และการพยากรณ์ตัวแปรเชิงคุณภาพ

ผลลัพธ์ (ไทย) 3:

ห้องพัก : ข้อมูลอนุกรมเวลาแบบดั้งเดิม ( และเมื่อ sarima )ลูกผสมชุดตามฤดูกาลเวลา ( sarima-mlr และ sarima-qr )mlpnn เป็นสัดส่วนและแบบแสดงดีกว่าตามความยาวของข้อมูลทางประวัติศาสตร์ ( ทั้งการตอบสนองและทำนายตัวแปร ) เพิ่มเติม และรายละเอียดข้อมูลที่เหนือกว่าความถูกต้องเปรียบเทียบ , mlpnn รุ่นต้องใช้ปริมาณข้อมูลกว่ารูปแบบอนุกรมเวลาดีกว่าการประมาณค่า ได้แก่คำทำนายมีความน่าเชื่อถือน้อยลง และถูกต้อง เมื่อข้อมูลการฝึกอบรมไม่เพียงพอ บนมืออื่น ๆ , ตามฤดูกาลไตได้นาแบบจำลองการพยากรณ์ที่เหมาะสมมากขึ้นเมื่อข้อมูลในการตอบสนองและปัจจัยพยากรณ์ตัวแปรเชิงคุณภาพ