كاربرد مدل هيبريدARIMA و رگرسيون بردار پشتيبان جهت بهبود پيش‌بيني سري زماني

Application of hybrid ARIMA and support vector regression model for improvement of time series forecasting

بررسي دقيق ساختار اصلي سري زماني نقش مهمي در افزايش دقت پيش‌بيني مدل ARIMA دارد. هدف اين تحقيق بررسي تاثير جداسازي مدلسازي بخش خطي و غير‌خطي سري زماني در نتايج مدل ARIMA است. تفكيك مدلسازي سري‌هاي عملكرد محصول گندم و ذرت دانه‌اي (استان‌هاي كرمانشاه و اصفهان) در بخش خطي مربوط به مدل ARIMA بود و در بخش غيرخطي با رگرسيون بردار پشتيبان انجام گرفت(مدل هيبريد). نتايج مدلسازي مي‌تواند تحت تاثير نوع تركيب مورد استفاده بخش غير خطي در مدل هيبريد تغيير يابد، به‌عنوان نمونه در سري زماني ذرت دانه‌اي در استان كرمانشاه مقدار RMSE در تركيبي فقط با باقي‌مانده‌ها 1/52 و در تركيبي با سري زماني 15/03 برآورد شد. در سري زماني گندم در استان اصفهان با مدل هيبريد ميزان كاهش آماره‌هاي RMSE،MAE و UII به‌ترتيب برابر با 45/94، 52/29 و 46 درصد بود كه بيانگر بهبود نتايج با مدل هيبريد و تفكيك مدلسازي بخش خطي و غير‌خطي سري زماني است. مقادير GMER در هر چهار سري زماني بزرگتر از يك بودند كه حاكي از بيش‌برآورد مقادير پيش‌بيني شده مدل هيبريد مي‌باشد. مقايسه متوسط مقادير آماره‌ها در دو استان حاكي از تاثير نوع اقليم در مبحث مدلسازي است چرا كه متوسط مقادير هر آماره در هر دو مدل ( ARIMA و هيبريد) و در هر دو محصول در استان اصفهان نسبت به كرمانشاه كاهش داشت (ميزان كاهش RMSE و UII به ترتيب 24/72 و 24/12 درصد). بنابراين تفكيك مدلسازي بخش خطي و غير‌خطي مي‌تواند دقت نتايج مدل ARIMA را افزايش دهد.

Accurate investigation related to the structure of time series plays an important role in increasing the accuracy of ARIMA forecasting. The aim of this research is to investigate the effect of modeling decomposition of linear and non linear parts of time series on ARIMA model results. The decomposition of wheat and maize yield time series (in Kermanshah and Esfahan provinces) in the linear part was related to ARIMA and in the non linear part was conducted with support vector regression (hybrid model). The kind of configuration of non linear part of hybrid model is more important for example in the maize time series of Kermanshah, the values of RMSE for configuration with residual was 1.52 and for time series configuration was 15.03. The decreasing of RMSE, MAE and UII for wheat time series of Esfahan with hybrid model was 45.94%, 52.29% and 46%, respectively which is indicative of hybrid model improvement. The value of GMER in all four time series was greater than one which indicates the overestimation of hybrid model. Comparison the average of each criteria with two models and crops in each province indicated the effect of climate on modeling process because the average of criteria in Esfahan province decreased rather to Kermanshah (RMSE decreasing= 24.72%, UII decreasing=12.24%). Therefore, decomposition of time series to linear and non linear parts of time series can increase the accuracy of ARIMA model results.