ترغب بنشر مسار تعليمي؟ اضغط هنا

التنبؤ في السلاسل الزمنية

Time Series Forecasting

3428   6   136   0 ( 0 )
 تاريخ النشر 2018
  مجال البحث الهندسة المعلوماتية
والبحث باللغة العربية
 تمت اﻹضافة من قبل FERAS K




اسأل ChatGPT حول البحث

حظيت نمذجة وتوقع السلاسل الزمنية بأهمية كبيرة في العديد من المجالات التطبيقية كالتنبؤ بالطقس وأسعار العملات ومعدلات استهلاك الوقود والكهرباء، إن توقع السلاسل الزمنية من شأنه أن يزود المنظمات والشركات بالمعلومات الضرورية لاتخاذ القرارات الهامة، وبسبب أهمية هذا المجال من الناحية التطبيقية فإن الكثير من الأعمال البحثية التي جرت ضمنه خلال السنوات الماضية، إضافةً إلى العدد الكبير من النماذج والخوارزميات التي تم اقتراحها في أدب البحث العلمي والتي كان هدفها تحسين كل من الدقة والكفاءة في نمذجة وتوقع السلاسل الزمنية.


ملخص البحث
يتناول هذا البحث موضوع التنبؤ بالسلاسل الزمنية، وهو مجال ذو أهمية كبيرة في العديد من التطبيقات مثل التنبؤ بالطقس وأسعار العملات ومعدلات استهلاك الوقود والكهرباء. يهدف البحث إلى تقديم نماذج وخوارزميات لتحسين دقة وكفاءة التنبؤ بالسلاسل الزمنية. يبدأ البحث بتعريف السلاسل الزمنية ومكوناتها الأساسية مثل الميل، التكرار، الموسمية، والتغيرات غير المنتظمة. ثم يستعرض البحث عدة نماذج رياضية مستخدمة في تحليل وتنبؤ السلاسل الزمنية مثل نموذج الانحدار الذاتي (AR)، نموذج المتوسط المتحرك (MA)، ونموذج الانحدار الذاتي المتوسط المتحرك (ARMA). كما يتناول البحث نماذج متقدمة مثل نموذج الانحدار الذاتي المتكامل المتوسط المتحرك (ARIMA) ونموذج الانحدار الذاتي المتكامل المتوسط المتحرك الموسمي (SARIMA). بالإضافة إلى ذلك، يستعرض البحث استخدام الشبكات العصبية الاصطناعية وآلة الدعم المتجهية (SVM) في التنبؤ بالسلاسل الزمنية، ويقارن بين أداء هذه النماذج باستخدام بيانات فعلية.
قراءة نقدية
دراسة نقدية: يتميز هذا البحث بشموليته وتغطيته لمجموعة واسعة من النماذج والخوارزميات المستخدمة في التنبؤ بالسلاسل الزمنية. ومع ذلك، يمكن توجيه بعض النقد البنّاء لتحسين البحث. أولاً، كان من الممكن أن يتضمن البحث تطبيقات عملية أكثر تفصيلاً لكل نموذج، مما يساعد في توضيح كيفية استخدام هذه النماذج في مواقف حقيقية. ثانياً، لم يتم التطرق بشكل كافٍ إلى التحديات والقيود التي قد تواجه الباحثين عند تطبيق هذه النماذج، مثل مشكلة البيانات المفقودة أو الضجيج في البيانات. ثالثاً، كان من الممكن أن يتضمن البحث مقارنة أكثر تفصيلاً بين النماذج المختلفة بناءً على معايير محددة مثل الدقة والكفاءة الزمنية. وأخيراً، كان من الممكن أن يتم استعراض بعض الأدوات البرمجية المتاحة التي يمكن استخدامها لتطبيق هذه النماذج، مما يسهل على الباحثين والممارسين في المجال.
أسئلة حول البحث
  1. ما هي السلاسل الزمنية؟

    السلاسل الزمنية هي مجموعة متسلسلة من البيانات تم مشاهدتها أو قياسها على مدى فترات زمنية متتالية، ويمكن أن تكون هذه البيانات أحادية المتغير أو متعددة المتغيرات، مستمرة أو متقطعة.

  2. ما هي المكونات الأساسية للسلاسل الزمنية؟

    تتأثر السلاسل الزمنية بأربع مكونات أساسية: الميل (Trend)، التكرار (Cyclical)، الموسمية (Seasonal)، والتغيرات غير المنتظمة (Irregular components).

  3. ما هو نموذج الانحدار الذاتي (AR)؟

    نموذج الانحدار الذاتي (AR) هو نموذج يفترض أن القيمة المستقبلية للسلسلة الزمنية هي عبارة عن تركيب خطي من المشاهدات السابقة للسلسلة الزمنية مضافاً إليها خطأ. يتم استخدام هذا النموذج للتنبؤ بالقيم المستقبلية بناءً على القيم السابقة.

  4. كيف يمكن استخدام الشبكات العصبية الاصطناعية في التنبؤ بالسلاسل الزمنية؟

    تُستخدم الشبكات العصبية الاصطناعية في التنبؤ بالسلاسل الزمنية بفضل قدرتها على حل المسائل غير الخطية واستخراج العلاقة بين الدخل والخرج بناءً على بيانات السلسلة الزمنية فقط. يتم تقسيم السلسلة الزمنية إلى سلسلتين، واحدة للتدريب وأخرى للاختبار، ويتم تمرير نافذة من القيم عبر السلسلة الزمنية لتدريب النموذج على التنبؤ بالقيم المستقبلية.


المراجع المستخدمة
Asha Farhath, Arputhamary, Arockiam, 2016, A Srvey On ARIMA Forecasting Using Time Series Model
Mahalakshmi, Sridevi, .Rajaram, 2016, A Survey on Forecasting of Time Series Data
Ouahilal Meryem, Jellouli Ismail, El Mohajir Mohammed, 2014, A Comparative Study Of Predictive Algorithms For Time Series Forecasting
Thomas Kolarik, Gottfried Rudorfer. 2015, Time Series Forecasting Using Neural Networks
Ratnadip Adhikari, R. K. Agrawal, 2013, An Introductory Study on Time Series Modeling and Forecasting Ratnadip
قيم البحث

اقرأ أيضاً

تهدف هذه الدراسة إلى المقارنة بين نماذج Arima وطريقة التمهيد الأسي بالتنبؤ في السلاسل الزمنية، كما نسلط الضوء على مفاهيم الأساسية الخاصة بمنهجية ARIMA وطريقة التمهيد الأسي. ركزت الدراسة على التنبؤ بالسلاسل الزمنية ذات النطاق الضيق بين نقطة وأخرى ذات نطاق واسع بالاضافة إلى استخدام أطوال مختلفة من فترات التنبؤ وقد تم استخدام معيار RMSE للمقارنة بين الطريقتين.
تعتمد دراسة و تصميم السدود المائية بشكل رئيس على التنبؤات بأحجام المياه الجارية في الأنهار أو المتوقع ورودها مستقبلاً، باستخدام تحليل السلاسل الزمنية للقياسات التاريخية. يهدف البحث إلى إعداد دراسة إحصائية لحجوم المياه الشهرية الواردة في نهر الروس في الساحل السوري و التنبؤ المستقبلي بهذه الحجوم. و اعتمدت نماذج "بوكس– جنكنز" في تحليل بيانات السلسلة الزمنية، و ذلك لارتفاع درجة الدقة في تنبؤاتها. اعتمدنا بيانات حجوم المياه الشهرية لمدة 15 عاماً، و بعد إجراء الاختبارات المطلوبة على بواقي النموذج، تبيّن أن أفضل نموذج يمثل البيانات هو SARIMA(0,1,2) (1,2,1)12، و بعد تقسيم البيانات إلى 14 سنة لبناء النموذج و سنة واحدة لاختباره و اعتماداً على أصغر قيمة للمتوسط الموزون للمعايير RMSE, MAP, MAE، فإن أفضل نموذج للتنبؤ هو النموذج SARIMA(1,1,0) (0,1,1)12، و قد أعطى النموذج تنبؤات قريبة من حجوم المياه الشهرية الواردة في النهر المقيسة فعلياً.
استعرضنا في هذا العمل بعض أهم أساليب التنبؤ بالمتسلسلات الزمنية وهي تحليل المتسلسلات الزمنية إلى مركباتها الأساسية (اتجاه عام، موسمية، دورية، عشوائية)، طرائق التمهيد الأسي، نماذج الانحدار الذاتي والمتوسطات المتحركة التكاملية، ثم استعرضنا عدة طرائق هج ينة للتنبؤ، ثم قدمنا طريقة جديدة مقترحة للتنبؤ تعتمد على دمج طريقتي التمهيد الأسي و بوكس-جنكينز وذلك وفق المتوسط الموزون بقيم معايير متوسط الأخطاء المطلق النسبي MAPE لكلا الطريقتين، وطبقنا الطرائق السابقة على ثلاث متسلسلات زمنية موسمية، الأولى متسلسلة درجات الحرارة الجافة ساعياُ في مدينة حلب وذلك في شهر آب للعام 2011 أي طول الدورة الموسمية s=24، والثانية متسلسلة كمية إنتاج الحليب شهرياً في استراليا مقاسة بالرطل لكل بقرة وذلك من شهر كانون الثاني عام 1962 ولغاية شهر كانون الأول عام 1975 أي طول الدورة الموسمية s=12، أما الثالثة متسلسلة كمية الكهرباء المنتجة في استراليا فصلياً وذلك في الفترة الممتدة من آذار 1956 ولغاية أيلول للعام 1994 أي طول الدورة الموسمية s=4، وقارننا النتائج التي توصلنا إليها فكانت أفضل طريقة للتنبؤ هي الطريقة المقترحة.
تعتمد دراسة و تصميم المآخذ المائية للينابيع على تحليل السلاسل الزمنية للقياسات التاريخية من خلال التنبؤ بأحجام المياه الواردة أو المتوقع ورودها مستقبلاً. يهدف البحث إلى نمذجة تدفقات المياه الشهرية لنبع السن في الساحل السوري و التنبؤ المستقبلي بهذه ا لتدفقات، باعتماد نماذج "بوكس– جنكنز" في تحليل بيانات السلسلة الزمنية، لارتفاع درجة الدقة في تنبؤاتها. اعتمدنا بيانات تدفقات المياه الشهرية و بالتالي حجوم المياه الشهرية لـ 101 شهراً من حزيران 2008 حتى تشرين الأول 2016م، و بعد إجراء عمليات استقرار السلسلة في التباين و المتوسط و إزالة الموسمية و تنفيذ الاختبارات المطلوبة على بواقي النموذج، تبيّن أن أفضل نموذج يمثل البيانات هو SARIMA(2,0,1) (2,1,0)12، و تم تقسيم البيانات إلى 81 شهراً لبناء النموذج و 20 شهراً لاختباره، و اعتماداً على أصغر قيمة للمتوسط الموزون للمعايير RMSE, MAP, MAE، فإن أفضل نموذج للتنبؤ هو النموذج SARIMA(3,1,0) (1,1,0)12، و قد أعطى النموذج تنبؤات قريبة من حجوم المياه الشهرية في النبع المقيسة فعلياً.
هدفت هذه الدراسة إلى تحليل واقع الأسهم في بورصة عمـان فـي قطـاع البنـوك باستخدام نموذج تحليل السلاسل الزمنية، وذلك من خلال تحقيق الأهداف التالية : ١ -تحليل اتجاه الأسهم في بورصة عمان للأوراق المالية في قطاع البنـوك باسـتخدام نموذج تحليل السلاسل ال زمنية . ٢ -الحصول على سوق كفء بتطبيق الشروط الموجودة في السوق. ٣ -تحليل واقع الاتجاه العام لأسعار الأسهم في بورصة عمان للأوراق المالية وذلك مـن خـلال معدل دوران الأسهم وعلى مدى اثني عشر شهراً لمدى ثماني سـنوات مـن (٢٠٠٠-٢٠٠٧ (لإيجاد المتغيرات المؤثرة في الأداء. ٤ -التوصل إلى تحديد أهم مكونات السلسلة الزمنية التي تـتـأثر بها أسعار الأسهم في بورصة عمان للأوراق المالية (الموسمية، والدورية، والعشوائية) مع تحديد أي مـن هذه المكونات التي تخضع لها التغيرات السعرية للأسهم. ٥ -محاولة تحديد التوجه العام لاتجاه السلسلة الزمنية لأسعار الأسهم للفترة القادمة مـن خلال استخدام نموذج المكونات الأساسية. وقد قامت هذه الدراسة على ثلاث فرضيات رئيسة، وتكونت عينة الدراسة من البنوك المدرجة في بورصة عمان والمكونة من (١٧ (بنكاً، وتم استخدام برنامج الإكسـل لتحليـل بيانات معدل دوران الأسهم في بورصة عمان للتوصل إلى النتائج . وقد توصلت الدراسة إلى العديد من الاستنتاجات أهمها : - أظهرت النتائج إلى أن تأثر معدل دوران الأسهم في قطاع البنوك المدرجة في بورصـة عمان بالمتغيرات غير المنتظمة كان واضحاً، إضافة إلى تأثير التغيرات المتعلقة بالاتجاه العام والمتغيرات الموسمية والمتغيرات الدورية . - أظهرت النتائج أن حجم التداول يلعب دوراً كبيراً في تغيير مسار اتجاه الأسـعار، ففـي حالة ارتفاع الأسعار فإن زيادة حجم التداول شيء مطلوب، أما في حالة انخفاض الأسعار فإن المرغوب فيه هو خفض حجم التداول . وبناء على ما تقدم من استنتاجات، قدمت الباحثة مجموعة من التوصـيات المناسـبة لاستخدام نموذج تحليل السلاسل الزمنية في تحليل واقع الأسهم في بورصة عمان.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا