عنوان فارسی مقاله : شناسایی داده های خارج از محدوده و مقدار گم شده در مدل ARIMA فصلی با استفاده از داده های بارندگی
.
English Article Title: Outlier Detection and Missing Value in Seasonal ARIMA Model Using Rainfall Data
Year: 2018
Publisher: Elsevier
Journal: Materials Today: Proceedings
DOI: https://doi.org/10.1016/j.matpr.2017.11.277

Keywords:
#Seasonal_ARIMA_Model
#Missing value
#Innovative_Outlier
#Seasonal_Additive_Outlier
#Forecasting
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#زمین_و_علوم_سیاره_ای (#Earth_and_Planetary_Sciences)
#مقاله_مهندسی (#Engineering)
#مقاله_علوم_مواد (#Materials_Science)
#مقاله_ریاضی(#Mathematics)
#مدل_ARIMA_فصلی
#مقدار_از_دست_رفته
#نوآورانه
#داده_های_خارج_از_محدوده_افزایشی_فصلی
#پیش_بینی

چکیده مقاله:
پیش بینی روند بارش باران در علوم هواشناسی و علوم محیطی دشوار است. رویکردهای آماری از تجزیه و تحلیل سری ها روش دیگری برای پیش بینی بارش است. مدل ARIMA شامل ویژگی های فصلی است که به عنوان مدل ARIMA فصلی اختصاص داده شده است. داده های سری زمانی داده های بارش ماهانه از سال 2006 تا 2016 است. این مدل به عنوان SARIMA (1،1،) (01، 1، 1) در این مطالعه مشخص شد. یک مشکل جدی در تجزیه و تحلیل داده های باران، این است که چه زمانی باید انجام شود، در حالی که از دست رفته یا مقادیر شدید رخ می دهد، شاید به علت شکست در تجهیزات شمارش اتوماتیک است.
کلمات کلیدی: مدل ARIMA فصلی ، مقدار از دست رفته ، نوآورانه ، داده های خارج از محدوده افزایشی فصلی ، پیش بینی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/3dVrX6j