Forecasting of Potato Prices in India: An Application of Arima Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle