Forecasting of Potato Prices in India: An Application of Arima Model
Notice bibliographique
Résumé
In the present paper, Autoregressive Integrated Moving Average (ARIMA) models developed to forecast the prices of potato using time series data of eighteen years from 2002-2019. The best models selected by comparing Akaike Information Criteria (AIC), Bayesian Information Criteria (BIC), Mean Absolute Percent Error (MAPE), and Root Mean Square Error (RMSE). The study revealed that ARIMA (1,1,2), ARIMA (2,1,1)(0,0,2)[12], ARIMA (2,1,2), ARIMA (1,1,4)(0,0,1)[12], ARIMA (1,1,1)(0,1,2)[12], ARIMA (0,1,0)(0,1,1)[12], and ARIMA (3,1,3) were the best fitted models for forecasting of price of potato for the states of Utter Pradesh, West Bengal, Madhya Pradesh, Gujarat, Punjab, Tripura and India respectively. The prices of potato in Utter Pradesh, West Bengal and India will be increasing with the first-quarter providing the highest price. The prices of potato in Madhya Pradesh and Tripura will be highest in the fourth quarter. In Punjab, the prices of potato will be increasing with the third-quarter. The forecast shows that market prices of potato in Utter Pradesh, West Bengal, Madhya Pradesh, Gujarat, Punjab, Tripura, and overall India would be ruling in the highest value of .1208 `/qt, 1812 `/qt, 1345 `/qt, 1712 `/qt, 1354 `/qt, 2636 `/qt, and 1715 `/qt respectively for the year 2020.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».