Fuel Sales Forecasting with SARIMA-GARCH and Rolling Window
Notice bibliographique
Résumé
This research article proposes an innovative strategy to improve long-term forecasting accuracy for gasoline sales in Canada. The SARIMA-GARCH model was used with the rolling window forecasting technique to successfully address varying seasons, changing patterns, and conditional variance on the historical data of gasoline sales in Canada (1993-01-01 to 2015-12-01) with the sample size of 276. The rolling window forecasting technique was used to forecast one-step-ahead value and update the model to fresh observations while minimizing look-back bias and attaining good long-term forecasting accuracy. The findings revealed considerable improvements in forecasting accuracy. The proposed SARIMA-GARCH model with rolling window forecasting produced a RMSE of 151026.28 and a Mean Absolute Percentage Error (MAPE) of 0.0340. This outperformed other baseline models, including simple SARIMA model which had a RMSE of 329,689.88 and a MAPE of 0.0786, and the GARCH model which had a RMSE of 316,168.33 and a MAPE of 0.0685. The data shows that the proposed approach is effective for accurate long-term forecasting of gasoline sales in Canada. The study provides significant data for politicians, industry professionals, and energy investors, assisting them in making informed decisions about resource allocation, strategic planning, and risk management.
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 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 | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».