تکنیک‌های تجربی برای مدل‌سازی پیش‌بینی پیشرفته: فراتر از ARMA سنتی

مدل ARMA یک انتخاب محبوب برای پیش‌بینی سری‌های زمانی است، زیرا نحوه ارتباط نقاط داده را در طول زمان نشان می‌دهد – مانند اینکه چگونه داده‌های امروزی به دیروز بستگی دارند. اما ARMA فرض می کند که باقیمانده ها از یک توزیع خاص (معمولا نرمال) پیروی می کنند. در داده های دنیای واقعی، این فرض اغلب پابرجا نیست. نقاط دورتر، جابه‌جایی‌های ناگهانی و الگوهای غیرمعمول می‌توانند مدل را به هم بریزند و پیش‌بینی‌ها را کمتر دقیق یا ناپایدار کند.

از تحقیقات من، من معتقدم که تکنیک های تجربی راه حلی را ارائه می دهند. آنها منعطف، ناپارامتری هستند و مستقیماً با داده ها سازگار هستند بدون اینکه نیاز به فرضیات توزیع دقیق داشته باشند. به جای اینکه داده‌ها را در چارچوب مجموعه‌ای قرار دهند، از مقادیر واقعی مشاهده‌شده برای ساخت مدل استفاده می‌کنند و آن را در مدیریت موارد دورافتاده و الگوهای پیچیده‌ای که مدل‌های سنتی ممکن است از دست بدهند، مؤثر می‌سازند.

ترکیب تبدیل تجربی و تخمین احتمال با ARMA منجر به یک مدل پیش‌بینی قابل اعتمادتر می‌شود. ARMA روابط مبتنی بر زمان را ثبت می کند، در حالی که احتمال تجربی به مدیریت بی نظمی ها کمک می کند. به جای فرض یک توزیع باقیمانده خاص، احتمال تجربی به مدل اجازه می دهد تا با داده های دنیای واقعی سازگار شود و دقت پیش بینی را بهبود بخشد.

بیایید به دنیای توزیع تجربی شیرجه بزنیم و… وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی