Development of the GSTARIMA(1,1,1) model order for climate data forecasting
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
The space-time model combines spatial and temporal elements. One example is the Generalized Space-Time Autoregressive (GSTAR) Model, which improves the Space-Time Autoregressive (STAR) model. The GSTAR model assumes that each location has heterogeneity characteristics, and that the data is stationary. In this research, the moving average component is calculated by involving the relationship between variable values at a certain time and residual values at a previous time, and it is assumed that the data is not stationary, so the model used is the Generalized Space-Time Autoregressive Integrated Moving Average (GSTARIMA) Model. The model order for GSTARIMA is determined through the Space-Time Autocorrelation Function (STACF) and Space-Time Partial Autocorrelation Function (STPACF) to ensure accurate forecasting. Previous research only discussed the GSTARIMA(1,1,1) model, so in this research, the GSTARIMA(3,1,1) model will be addressed as a form of development of the GSTARIMA(1,1,1) model and applied to climate data. The climate data used in this research is sourced from NASA POWER and consists of rainfall variables with large data sizes, requiring the use of the data analytics lifecycle method to analyse Big Data. The lifecycle includes six phases: discovery, data preparation, model planning, model building, communicating results, and operationalization. Based on the data processing results with Python software, the GSTARIMA(3,1,1) model has a MAPE value of 9% for out-sample data and 11% for in-sample data. In contrast, the GSTARIMA(1,1,1) model has a MAPE value of 11% for out-sample data and 12% for in-sample data. So the GSTARIMA(3,1,1) model provides more accurate forecasting results. Therefore, selecting the correct model order is crucial for accurate forecasting.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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