کامپیوتر 14. بررسی الگوه های دوره ای غیرهمزمان (اسنکرون) در اطلاعات سری زمانی

بررسی الگوه های دوره ای غیرهمزمان (اسنکرون) در اطلاعات سری زمانیچکیدهبازیابی دوره ای اطلاعات سری زمانی به عنوان یک مسئله چالش انگیز می باشد که دارای اهمیت زیادی در بسیاری از کاربردها می باشد.اکثر فعالیت های پیشین تمرکز خود را بر روی بررسی الگوه های دوره ای غیرهمزمان قرار داده و حضور الگوه های تغییر یافته را به دلیل مداخله مشکلات تصادفی مد نظر قرار نمی دهد. در این مقاله , ما یک مدل انعطاف پذیرتری را در ارتباط با الگوه های نامتقارن دوره ای مطرح می کنیم که تنها در این توالی مد نظر قرار گرفته و وقوع آن ها به دلیل وجود این اختلافات انتقال می یابد.دو پارامتر یعنی min_rep  و max_dis  به کار گرفته می شوند تا به تعیین حداقل تعداد تکرارها که در هر بخش مربوط به وقوع این الگوه ها روی می دهد  و حداکثر این موارد که باعث ایجاد یک توزیع بین این دو بخش های متوالی می گردد , بپردازد. برای جبران کردن این دو مورد , بلندترین توالی مربوط به این الگوه ها برگشت داده می شود.یک الگوریتم دو مرحله ای طراحی می گردد تا در ابتدا به ایجاد پتانسیل های دوره ای توسط فرایندهای فاصله محور گشته که توسط یک رویکرد تکراری برای کسب و تایید الگوه های کاندیدا و مد نظر قرار دادن یک توالی بلند مدت , دنبال می گردد. ما همچنین نشان می دهیم که این الگوریتم نه تنها پیچیدگی های زمانی خطی را با توجه به طول این توالی ها ایجاد می کند بلکه یک کارایی فاصله ای را ایجاد می کند. کلمات کلیدی. الگوهای دوره ای غیرهمزمان , روش های بخش محور , دوره ای بودن بخشی.

پیش بینی تقاضای قطعات یدکی خودرو با استفاده از روشهای سری زمانی (آریما)

با توجه به ویژگی های تقاضای قطعات یدکی سبب مشکلاتی در پیش بینی این نوع تقاضاها شده است.  تعدد زیاد قطعات یدکی خودرو ، رفتار تصادفی آنها در طول زمان و صفر بودن تقاضا در بسیاری از پریودها پیش بینی میزان مصرف را به یکی از بزرگترین چالش های پیش روی شرکتهای خودروسازی و تأمین کنندگان قطعات تبدیل کرده است.  مدلهای پیش بینی سری زمانی:چندین روش متفاوت به منظور مدلسازی سری های زمانی وجود دارند. مدلهای آماری شامل میانگین متحرک ، هموارسازی نمایی و آریما خطی می باشند که در آنهاپیش بینی مقادیر آینده به این موضوع محدود شده است که مقادیر آینده توابع خطی از مشاهدات گذشته باشند. اینگونه روشها به دلیل سادگی نسبی در فهم و به کارگیری ، در تحقیقات چند دهه اخیر بسیار مورد توجه بوده اند. برای غلبه بر محدودیت خطی بودن مدل و به حساب آوردن الگوهای غیرخطی مشخص در مسائل واقعی ، چندین نوع مختلف از مدل های غیر خطی در ادبیات موضوع پیشنهاد شده استکه از جمله مهمترین آنها می توان به اتورگرسیو شرطی (ARCH) ، دو خطی و اتورگرسیو آستانه ای (TAR) اشاره نمود. هرچند مدلهای غیرخطی مذکور بهبودهایی در مسائل پیش بینی ایجاد نموده اند ، اما به کار گیری آنها در حالت کلی محدود می باشد چراکه اینگونه مدلها تنها برای الگوهای غیرخطی خاصی طراحی شده اند و قادر به مدلسازی انواع دیگر سری های زمانی غیر خطی نمی باشند. اخیرا شبکه عصبی مصنوعی به عنوان یک جایگزین مناسب جهت مدلسازی سری های زمانی پیشنهاد شده اند. نقطه قوت اصلی شبکه های عصبی مصنوعی قابلیت مدلسازی غیرخطی انحراف پذیر آنهاست. در ادامه این مقاله به تشریح اصول اساس فرآیند مدلسازی توسط مدل آرما و آریما پرداخته خواهد شد.

اموزش درس سری های زمانی

اموزش کامل و نکته به نکته سری های زمانی