Predicting the Number of Sunspots Per Month and Per Quarter Using ARIMA Models
Notice bibliographique
Résumé
The number of sunspots in a given year changes as the sun goes through solar cycles, with peaks happening at regular intervals.When these peaks are plotted, a curve appears, similar to the oscillating sinusoidal wave.Because of its oscillatory nature, predictions of future sunspot values could be found since it is safe to assume that the number of sunspots would always follow a pattern.However, a simple, ordinary sine function, or any algebraic function for that matter, would not allow us to plot and predict future data points due to the complexity of the curve at hand.This led us to the hypothesis that in order to predict the future number of sunspots, models that involve autoregressive and moving average components (namely the ARIMA model) would be the most effective.In order to measure effectiveness, the mean-squared error (MSE) would be used, with a lower value (closer to 0) meaning better fit.The reason why we chose these sophisticated models was because these models took into account prior data points and their trends and seasonality to predict future data points.This essentially meant that this model would predict based on prior points, not on a fixed point or equation, like the sine curve.After plotting all of these models and finding the MSE for each, we drew the conclusion that the ARIMA model proved to produce the most accurate curve, with a MSE of only 460, as compared to the MSE that the best sine curve could produce: 21 million.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».