Seasonal time series forecasting: a comparative study of arima and ann models

Kihoro, John M.; Otieno, RO; Wafula, Charles Misiko

doi:10.4314/ajst.v5i2.15330

Cited by 49 publications

(47 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In AR(p) model, the value of the future variable is assumed to be a linear combination of past value p of the variable with a constant and white noise [21,22]. Mathematically, AR(p) model is defined as in (2) …”

Section: Formulation Of Autoregressive Integrated Moving Average mentioning

confidence: 99%

Predictive analytics for detecting sensor failure using autoregressive integrated moving average model

Thiyagarajan

Kodagoda

Nguyen

2017

2017 12th IEEE Conference on Industrial Electronics and Applications (ICIEA)

View full text Add to dashboard Cite

Abstract-Sensors play a vital role in monitoring the important parameters of critical infrastructure. Failure of such sensors causes destabilization to the entire system. In this regard, this paper proposes a predictive analytics solution for detecting the failure of a sensor that measures surface temperature from an urban sewer. The proposed approach incorporates a forecasting technique based on the past time series of sparse data using an ARIMA model. Based on the 95% forecast interval and continuity of faulty data, a criterion was set to detect anomalies and to issue a warning for sensor failure. Gaussian distribution was implemented on the forecasted and faulty data. By using the probability density of the distribution, the mean and variance were computed for faulty data to examine the abnormality in the variance value of each day to detect the sensor failure.

show abstract

Section: Formulation Of Autoregressive Integrated Moving Average mentioning

confidence: 99%

Predictive analytics for detecting sensor failure using autoregressive integrated moving average model

Thiyagarajan

Kodagoda

Nguyen

2017

2017 12th IEEE Conference on Industrial Electronics and Applications (ICIEA)

View full text Add to dashboard Cite

show abstract

“…Diferentes trabalhos da literatura têm levantado comparações entre modelos puramente estatísticos e modelos computacionais baseados em redes neurais e/ou sistemas nebulosos, como é o caso, por exemplo, dos trabalhos descritos em [11], [12] e [13].…”

Section: Figura 1: Estrutura Do Modelo Proposto Composto Por M Regrasunclassified

Modelo Adaptativo Baseado Em Regras Nebulosas Aplicado À Previsão De Séries Temporais

Luna¹,

Soares²,

Ballini³

2007

L&NLM

View full text Add to dashboard Cite

Resumo -Este trabalho propõe um modelo de aprendizado online baseado em regras nebulosas do tipo Takagi-Sugeno, para modelos de séries temporais. A estrutura do modelo é construída em duas etapas. Na primeira etapa, o modelo é inicializado utilizando um algoritmo de aprendizado construtivo offline, composto por duas regras nebulosas. Na segunda etapa, o modelo é modificado de forma dinâmica, utilizando um algoritmo de aprendizado recursivo baseado no algoritmo de maximização de verossimilhança e em operadores de adição e punição de regras. O aprendizado adaptativo reduz a complexidade do modelo, e define de forma automática a sua estrutura. A proposta é aplicada na construção de um modelo de previsão de vazões semanais e os resultados são comparados com o modelo evolutivo Takagi-Sugeno. O modelo é também utilizado na previsão até dezoito passos à frente de uma série financeira. Os resultados obtidos mostram que a proposta é uma alternativa eficiente para modelos de séries temporais, proporcionando uma estrutura simples e parcimoniosa.Palavras Chaves -Previsão de séries temporais, algoritmo EM, aprendizado adaptativo. IntroduçãoRedes neurais e sistemas nebulosos têm se mostrado eficientes em diversas aplicações, destacando-se os modelos baseados em regras nebulosas, devido a sua simplicidade e eficiência [1]. Existem diversas abordagens para a construção de sistemas baseados em regras. Uma técnica bastante divulgada é a utilização de algoritmos de agrupamento, via a partição nebulosa do espaço de entrada em M sub-regiões, como o algoritmo FCM [2] e o algoritmo da montanha [3]. Por outro lado, existem abordagens baseadas na alocação de modelos locais ou especialistas, as quais estão diretamente vinculadas ao princípio de dividir e conquistar, como é o caso dos modelos de mistura de especialistas [4]. Devido à complexidade dos problemas reais, os quais são em geral, de natureza não linear, torna-se impossível saber com antecedência o número adequado de partições ou especialistas necessários para a construção dos modelos. Como conseqüência, abordagens de aprendizado online tem sido desenvolvidas, fornecendo assim, estratégias de aprendizado com alta capacidade de adaptação a baixo custo computacional.Seguindo esta direção, diversas técnicas de aprendizado adaptativas e não supervisionadas de modelos de redes neurais e de sistemas baseados em regras nebulosas vêm sendo desenvolvidas nos últimos anos. Os trabalhos descritos em [5], [6], [1], e [7] são apenas alguns exemplos deste tipo de aprendizado, sendo que, estas propostas consideram tanto a adaptação dos parâmetros como da estrutura do modelo.Este artigo propõe um sistema adaptativo baseado em regras nebulosas (A-FSM), sendo o algoritmo de aprendizado baseado no algoritmo de maximização da verossimilhança (EM) [4]. A vantagem de adotar técnicas de aprendizado baseadas no algoritmo EM, é a convergência rápida do algoritmo e a obtenção de ótimos locais, quando comparado ao algoritmo de retropropagação temporal [8].Além disso, este trabalho sugere uma versão adaptat...

show abstract

“…The assessments of ANN with traditional forecasting methods have been explored with the techniques of Arima and other regression methods from different researchers. The result, ANN is better than the conventional methods (Kihoro et al, 2004;Fradinata et al, 2015). The simulation of mitigating the bullwhip effect, allocating the safety stock, relates to the VMI to mitigate the bullwhip effect, and loss of sales by minimizing the safety inventory and considers the Burbidge effect and Houlihan effect in the research (Kristianto et al, 2012;Disney and Towill, 2003).…”

Section: Introductionmentioning

confidence: 99%

Reducing the bullwhip effect from signal demand of hybrid artificial neural network models of supply chain in Indonesia

Fradinata

2017

Int. j. adv. appl. sci.

View full text Add to dashboard Cite

The bullwhip effect becomes a problem for the factory to manage the inventory policy in the warehouse. This study proposes to reduce the bullwhip effect through signal demand forecast from hybrid artificial neural network (ANN) models. The original ANN is combined with analytical hierarchy process (AHP), Monte Carlo simulation (MC), and geometric random distribution at the parts of the input weight and input bias from the ANN. The variation of forecast signal demands from the hybrid models are used to reduce the variance from the signal customer demands. The results from this study, AHPiwANNb has the smallest mean square error (MSE) from signal demands, it implys that the variance signal demands should reduce the bullwhip effect (BWE) in the supply chain. It can be concluded that the small variance signal demand should reduce the bullwhip effect in the supply chain.

show abstract

Seasonal time series forecasting: a comparative study of arima and ann models

Cited by 49 publications

References 15 publications

Predictive analytics for detecting sensor failure using autoregressive integrated moving average model

Predictive analytics for detecting sensor failure using autoregressive integrated moving average model

Modelo Adaptativo Baseado Em Regras Nebulosas Aplicado À Previsão De Séries Temporais

Reducing the bullwhip effect from signal demand of hybrid artificial neural network models of supply chain in Indonesia

Contact Info

Product

Resources

About