كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

نموذج ARMA

ARMA(p,q)

يجمع حدود الانحدار الذاتي والمتوسط المتحرك لنمذجة سلسلة مستقرة بعدد قليل من المعاملات.

يعمل في المتصفحيحتاج محرك Pythonالمستوى الثاني: النماذج الإحصائية

جرّب هذا النموذج في المختبر

المبدأ

φ(B)(y_t − μ) = θ(B)ε_t حيث B معامل الإزاحة. يُفرض الاستقرار على φ والانعكاس على θ.

\Big(1-\sum_{i=1}^{p}\phi_iB^i\Big)(y_t-\mu) = \Big(1+\sum_{j=1}^{q}\theta_jB^j\Big)\varepsilon_t

متطلبات البيانات

سلسلة مستقرة.

المعاملات

p
رتبة AR
q
رتبة MA

المزايا

  • اقتصادي في المعاملات
  • أساس نظري متين (Box-Jenkins)

العيوب

  • يحتاج إلى الاستقرارية
  • اختيار p,q يحتاج خبرة أو معيار AIC

الاستخدامات

  • سلاسل مستقرة ذات ارتباط ذاتي معقد

مثال تطبيقي

استخدم ACF وPACF معاً: إذا تلاشت الدالتان تدريجياً فـ ARMA أنسب من AR أو MA وحده.

المراجع

  1. FPP3 الفصل 9: ARIMA models
  2. statsmodels: ARIMA
  3. Box, Jenkins, Reinsel & Ljung (2015). Time Series Analysis: Forecasting and Control, 5th ed. Wiley (كتاب، بلا رابط)

من المستوى نفسه