کاربرد مدل هیبریدARIMA و رگرسیون بردار پشتیبان جهت بهبود پیش‌بینی سری زمانی

الموضوعات :

لاله پرویز ¹ , بهاره سعید آبادی ²

1 - دانشکده کشاورزی دانشگاه شهید مدنی آذربایجان- تبریز- ایران
2 - دانشکده کشاورزی- دانشگاه شهید مدنی آذربایجان

تاريخ الإرسال : 05 السبت , ربيع الأول, 1441 تاريخ التأكيد : 24 الثلاثاء , ربيع الأول, 1442 تاريخ الإصدار : 07 الجمعة , رجب, 1442

الکلمات المفتاحية: بخش غیر خطی, ARIMA, هیبرید, رگرسیون بردار پشتیبان,

ملخص المقالة :

بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیش‌بینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیر‌خطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سری‌های عملکرد محصول گندم و ذرت دانه‌ای (استان‌های کرمانشاه و اصفهان) در بخش خطی مربوط به مدل ARIMA بود و در بخش غیرخطی با رگرسیون بردار پشتیبان انجام گرفت(مدل هیبرید). نتایج مدلسازی می‌تواند تحت تاثیر نوع ترکیب مورد استفاده بخش غیر خطی در مدل هیبرید تغییر یابد، به‌عنوان نمونه در سری زمانی ذرت دانه‌ای در استان کرمانشاه مقدار RMSE در ترکیبی فقط با باقی‌مانده‌ها 52/1 و در ترکیبی با سری زمانی 03/15 برآورد شد. در سری زمانی گندم در استان اصفهان با مدل هیبرید میزان کاهش آماره‌های RMSE،MAE و UII به‌ترتیب برابر با 94/45، 29/52 و 46 درصد بود که بیانگر بهبود نتایج با مدل هیبرید و تفکیک مدلسازی بخش خطی و غیر‌خطی سری زمانی است. مقادیر GMER در هر چهار سری زمانی بزرگتر از یک بودند که حاکی از بیش‌برآورد مقادیر پیش‌بینی شده مدل هیبرید می‌باشد. مقایسه متوسط مقادیر آماره‌ها در دو استان حاکی از تاثیر نوع اقلیم در مبحث مدلسازی است چرا که متوسط مقادیر هر آماره در هر دو مدل ( ARIMA و هیبرید) و در هر دو محصول در استان اصفهان نسبت به کرمانشاه کاهش داشت (میزان کاهش RMSE و UII به ترتیب 72‌/24 و 24/12 درصد). بنابراین تفکیک مدلسازی بخش خطی و غیر‌خطی می‌تواند دقت نتایج مدل ARIMA را افزایش دهد.

المصادر:

پرویز، ل. و پیمایی، م. 1397. پیش بینی اقلیمی استوکستیکی عملکرد چهار گیاه گندم، جو، سیب زمینی و ذرت دانه­ای در استانهای آذربایجان شرقی و غربی در راستای توسعه برنامه­ریزی کشاورزی. نشریه تولید گیاهان زراعی، 11(4): 11-26.

زارع ابیانه، ح. 1392. بررسی نقش عوامل اقلیمی و خشکسالی بر تغییرپذیری عملکرد چهار محصول دیم در مشهد و بیرجند. دانش آب و خاک تبریز، 23 (1): 39-56.

 

Biswas, B., Dhaliwal L.K., Singh S.P. and Sandhu S.K. 2014. Forecasting wheat production using ARIMA model in Punjab. International Journal of Agricultural Sciences 10(1): 158-161.

Box, G.E.P. and Jenkins, G. 1970. Time Series Analysis, Forecasting and Control, Holden-Day, San Francisco, CA.

Byvatov, E., Fechner, U., Sadowski, J. and  Schneider, G.2003. Comparison of Support Vector Machine and Artificial Neural Network Systems for Drug/Nondrug Classification. The Journal of Chemical Information and Computer Scientists 43: 1882-1889.

Chen, K.U. and Wang, C.H. 2007. A hybrid SARIMA and support vector machines in forecasting the production values of the machinery industry in Taiwan. Expert Systems with Applications 32: 254–264.

Dı´az-Robles, L.A., Ortega, J.C., Fu, J.S., Reed, G.D., Chow, J.C., Watson,J.G. and Moncada-Herrera, J.A.2008. A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile. Atmospheric Environment. Atmospheric Environment 42: 8331–8340.

Hamidi, O., Poorolajal., J., Sadeghifar, M., Abbasi,H., Maryanaji, Z.,  Faridi.H.R. and Tapak, L. 2014. A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theoretical and Applied Climatology 119(3-4): 723–731.

Kumar Paul, R. and Sinha K.2016. Forecasting crop yield: a comparative assessment of ARIMAX and NARX model. RASHI  1(1):77-85.

Lecerf, R., Ceglar, A., Lopez-Lozano, R., Van Der Velde, M. and Baruth B. 2019. Assessing the information in crop model and meteorological indicators to forecast crop yield over Europe. Agricultural Systems. 168 : 191–202.

Liang, Y.H. 2009. Combining seasonal time series ARIMA method and neural networks with genetic algorithms for predicting the production value of the mechanical industry in Taiwan. Neural Computing & Applications 18: 833–841.

Markham, I.S. and Rakes, T.R. 1998.The e5ect of sample size and variability of data on the comparative performance of arti/cial neural networks and regression. Computers & Operations Research 25: 251–263.

Narasimha Murthy, K. V., Saravana,R. and Vijaya Kumar., K. 2018. Modeling and forecasting rainfall patterns of southwest monsoons in North–East India as a SARIMA process. Meteorology and Atmospheric Physics 130: 99–106.

Peter Zhang, G. 2003. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing 50: 159 – 175.

Ruiz-Aguilar, J. J., Turias, I. J., Jimenez-Come, M. J. and Mar Cerban, M. 2014. Hybrid Approaches of support vector regression and SARIMA models to forecast the inspections volume. International Conference of Hybrid Artificial Intelligence Systems 502-514.

Sharma, P.K., Dwivedi, S., Ali, L. and Arora. R.K. 2018. Forecasting Maize Production in India using ARIMA Model.  Agro Economist - An International Journal 5(1): 01-06.

Suman, U. and Verma, S. 2016. Autoregressive Integrated Moving Average models for Sugarcane Yield Estimation in Haryana. International Journal of Computer & Mathematical Sciences 5(12): 33-38.

Verma, U., Koehler, W. and Goyal, M. 2012. A study on yield trends of different crops using ARIMA analysis. Environment and Ecology 30(4A): 1459-1463.

Zaynoddin, M., Bonakdari, H., Azari, A., Ebtehaj, I., Gharabaghi, B. and Riahi Madavar, H. 2018. Novel hybrid linear stochastic with non-linear extreme learning machine methods for forecasting monthly rainfall a tropical climate. Journal of Environmental Management 222: 190-206.