The implementation of the ARIMA-ARCH model using data mining for forecasting rainfall in Bandung city
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
A time series is a stochastic process which is arranged by time simultaneously. In this article, a time series model is used in accordance with Box-Jenkins' procedure. The Box-Jenkins procedure consists in identifying the model, estimating the parameters and diagnostic checking. The time series model is differentiated according to the number of variables, i.e. univariate and multivariate. The univariate method for the time series model that is often used is the Autoregressive Integrated Moving Average (ARIMA) model and the multivariate time series model is the Vector Autoregressive Integrated Moving Average (VARIMA) model. In this research, we studied the ARIMA model which is studied with a non-constant error variance. In this case, the Autoregressive Conditional Heteroscedasticity (ARCH) model is applied to outgrow the non-constant error variance. Selection of the best model by examining the minimum AIC for each model. The ARIMA-ARCH model is implemented on rainfall data in Bandung city with Knowledge Discovery in Database (KDD) in Data Mining. The methodology in the KDD process, including pre-processing, data mining process, and post-processing. Based on the results of model fitting, the best model is the ARIMA (2,1,4)-ARCH (1) model. The result of forecasting rainfall in Bandung shows a MAPE value is 11%, which has a similar pattern with actual data for short time 2-4 days. From these results, we conclude that the ARIMA-ARCH model is a good model for forecasting the rainfall in Bandung city.
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 | 0,005 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,007 | 0,005 |
| 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