کاربرد مدل هیبریدARIMA و رگرسیون بردار پشتیبان جهت بهبود پیش بینی سری زمانی

بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیش بینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیر خطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سری های عملکرد محصول گندم و ذرت دانه ای (استان های کرمانشاه و اصفهان) در بخش خطی مربوط به مدل ARIMA بود و در بخش غیرخطی با رگرسیون بردار پشتیبان انجام گرفت (مدل هیبرید). نتایج مدلسازی می تواند تحت تاثیر نوع ترکیب مورد استفاده بخش غیر خطی در مدل هیبرید تغییر یابد، به عنوان نمونه در سری زمانی ذرت دانه ای در استان کرمانشاه مقدار RMSE در ترکیبی فقط با باقی مانده ها 52/1 و در ترکیبی با سری زمانی 03/15 برآورد شد. در سری زمانی گندم در استان اصفهان با مدل هیبرید میزان کاهش آماره های RMSE،MAE و UII به ترتیب برابر با 94/45، 29/52 و 46 درصد بود که بیانگر بهبود نتایج با مدل هیبرید و تفکیک مدلسازی بخش خطی و غیر خطی سری زمانی است. مقادیر GMER در هر چهار سری زمانی بزرگتر از یک بودند که حاکی از بیش برآورد مقادیر پیش بینی شده مدل هیبرید می باشد. مقایسه متوسط مقادیر آماره ها در دو استان حاکی از تاثیر نوع اقلیم در مبحث مدلسازی است چرا که متوسط مقادیر هر آماره در هر دو مدل (ARIMA و هیبرید) و در هر دو محصول در استان اصفهان نسبت به کرمانشاه کاهش داشت (میزان کاهش RMSE و UII به ترتیب 72/24 و 24/12 درصد). بنابراین تفکیک مدلسازی بخش خطی و غیر خطی می تواند دقت نتایج مدل ARIMA را افزایش دهد.