Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Hybrid approach Wavelet seasonal autoregressive integrated moving averagemodel (WSARIMA) for modeling time series

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26510%2F21%3APU140167" target="_blank" >RIV/00216305:26510/21:PU140167 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://aip.scitation.org/doi/pdf/10.1063/5.0041734" target="_blank" >https://aip.scitation.org/doi/pdf/10.1063/5.0041734</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1063/5.0041734" target="_blank" >10.1063/5.0041734</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Hybrid approach Wavelet seasonal autoregressive integrated moving averagemodel (WSARIMA) for modeling time series

  • Popis výsledku v původním jazyce

    Many prognosis studies have been conducted for a long time. There are many established and widely accepted prediction methods, such as linear extrapolation and SARIMA. However, their performance is far from perfect, especially when the time series is highly volatile. In this paper, we propose a hybrid prediction scheme that combines the classical SARIMA method and the wavelet transform (WT). Wavelet transform (WT) has emerged as an effective tool in decomposing time series into different components, which allows for improved prediction accuracy. However, this issue has so far been insufficiently tested and tried to predict different time series. Our goal is therefore to integrate modeling approaches as a decision support tool. The results of an empirical study show that this method can achieve high accuracy in prediction. Based on the results of the created model, it can be stated that the hybrid WSARIMA model overperformed the SARIMA model.

  • Název v anglickém jazyce

    Hybrid approach Wavelet seasonal autoregressive integrated moving averagemodel (WSARIMA) for modeling time series

  • Popis výsledku anglicky

    Many prognosis studies have been conducted for a long time. There are many established and widely accepted prediction methods, such as linear extrapolation and SARIMA. However, their performance is far from perfect, especially when the time series is highly volatile. In this paper, we propose a hybrid prediction scheme that combines the classical SARIMA method and the wavelet transform (WT). Wavelet transform (WT) has emerged as an effective tool in decomposing time series into different components, which allows for improved prediction accuracy. However, this issue has so far been insufficiently tested and tried to predict different time series. Our goal is therefore to integrate modeling approaches as a decision support tool. The results of an empirical study show that this method can achieve high accuracy in prediction. Based on the results of the created model, it can be stated that the hybrid WSARIMA model overperformed the SARIMA model.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    AIP Conference Proceedings

  • ISBN

    978-0-7354-4077-7

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    10

  • Strana od-do

    „090001-1“-„090001-10“

  • Název nakladatele

    AIP Publishing

  • Místo vydání

    neuveden

  • Místo konání akce

    Sofia

  • Datum konání akce

    7. 6. 2020

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000664205600026