مقایسه‌ی تجربی مدل‌های باکس- جنکینز، شبکه‌های‌ عصبی مصنوعی و تحلیل مجموعه‌ی مقادیر تکین در پیش‌بینی سری‌های زمانی

Abstract

مدل باکس- جنکینز به‌عنوان یک روش پارامتری برای تحلیل سری‌های زمانی و برازش مدل‌های اتورگرسیو و میانگین متحرک فصلی و غیر فصلی به­کار می­رود؛ اما این روش برای سری‌های کوتاه مدت و نامانا مناسب نیست. در چنین شرایطی می­توان از روش­های ناپارامتری مانند شبکه­های عصبی مصنوعی و تحلیل مجموعه­ی مقادیر تکین استفاده کرد. هر دو روش از این امتیاز برخوردارند که نیازمند نرمال بودن توزیع خطاها و زیاد بودن تعداد داده­ها نمی­باشند. در این مقاله، پس از معرفی روش‌های فوق دقت آن‌ها در پیش­بینی میزان فروش چهار نوع کالای غذایی، دارویی و بهداشتی یک شرکت پخش مواد غذایی و بهداشتی مقایسه می­شود. علاوه برآن در یک مطالعه شبیه‌سازی‌شده کارآمدی این روش‌ها برای پیش­بینی­های کوتاه مدت و بلند مدت ارزیابی شده است. نتایج حاصل برتری روش تحلیل مجموعه­ی مقادیر تکین را در مقایسه با دو روش دیگر برحسب ریشه میانگین مربعات خطای پیش‌بینی نشان می­دهد.