Enhancing Export Management Strategies: A Comparative Analysis of Forecasting Models for Lemongrass Oil
Notice bibliographique
Résumé
The proposed study focuses on evaluating the forecasting behavior of lemongrass oil export value (in lakh Indian Rupees) from India. To explore the data series, descriptive statistical measures such as central tendency, dispersion, skewness, and kurtosis were computed. Based on the study objectives, two forecasting techniques-TBATS (a hybrid model incorporating Exponential Smoothing, Box-Cox Transformation, ARMA errors, and Trigonometric seasonal components) and Holt's Linear Trend method were applied and compared. The selection of the optimal model was guided by goodness-of-fit metrics, including Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and Mean Absolute Scaled Error (MASE), evaluated across both training and testing datasets. Model adequacy was further assessed using the Ljung-Box (LB) test on residuals. The TBATS model emerged as the best fit for forecasting export data to France, Germany, Spain, Canada, the People's Republic of China (PRC), Singapore, and India. In contrast, Holt's linear trend model was found optimal for the United States (USA), the United Kingdom (UK), Australia, Thailand, and an aggregated category representing the top ten importing countries and other remaining nations. This model selection was based on achieving lower error values in goodnessof- fit measures. The results underscore the importance of selecting appropriate statistical models tailored to country-specific export patterns and provide policymakers and stakeholders with a robust framework for decision-making in the context of managing the volatile lemongrass oil export market.. KEYWORDS :TBATS, Holt's linear trend, Forecasting, Time series, Export value of lemongrass oil.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».