Comparative Study of Wavelet-SARIMA and EMD-SARIMA for Forecasting Daily Temperature Series
Notice bibliographique
Résumé
This paper aims to find a forecasting model based on the comparative study of wavelet- ARIMA and EMD-ARIMA models and residual-based model selection technique for temperature time series. Time series analysis is essential in studying temperature data for investigating the variation and predicting the future trend, in which we can control the changes and make good decisions. And most important is to understand the trend in the series with time. This study applied hybridized models of wavelet transform and empirical mode decomposition with seasonal autoregressive integrated moving average (SARIMA), which combines two models to get better accuracy, for forecasting daily average temperature time series data in the central region of Eritrea, Asmara. Daily data was collected for 30 years, from January 1, 1991, to December 31, 2020. The study compares WT-SARIMA and EMD-SARIMA models to find a well fit and better forecasting model. Model selection techniques are essential for time series analysis to determine which model best fits our data. AIC and BIC are the most used methods in model selection. This paper uses an additional method based on the residual series. In estimating accurate parameters, the structure of the residual sequence had a lot of connection, in which a stationary residual depict an accurate estimation. From this perspective, a nonstationarity measurement of the residual series is used for model selection. The relative performance is based on the predictive capability of sample forecasts assessed. The results indicate that the hybridized wavelet-SARIMA model is more effective than the other models, and MATLAB soft-wire is used for this analysis.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».