header
Image from OpenLibrary

Short Time Series Forecasting : A Comparative Study / by Asmaa Ali Fathy Abuhagar ; Supervised by Prof. Mohamed Ali Ismail, Prof. Abd-Elnaser Saad Abd-Rabou, Prof. Hend Abdul-Ghaffar Auda

By: Contributor(s): Material type: TextTextLanguage: English Summary language: English, Arabic Producer: 2023Description: 62 pages : illustrations ; 25 cm. + CDContent type:
  • text
Media type:
  • Unmediated
Carrier type:
  • volume
Other title:
  • التنبؤ بالسلاسل الزمنية القصيرة : دراسة مقارنة [Added title page title]
Subject(s): DDC classification:
  • 519
Available additional physical forms:
  • Issued also as CD
Dissertation note: Thesis (M.Sc.)-Cairo University, 2023. Summary: Time series forecasting is predicting of future values based on previously observed values. It has extensive applications in many fields. Many time series data sets contain less than or equal thirty observations especially in developing countries like EGYPT. These data sets don’t fulfill the traditional assumptions. Box and Jenkins analysis assumed that the sample size should be at least 50 observations to build a suitable model. Many methods were used in Short Time Series Forecasting such as Exponential Smoothing Methods, Autoregressive Integrated Moving Average (ARIMA) Models, Artificial Neural Networks (ANNs) and Grey-Markov Model(1,1) in the previous literature. Previous studies compared them and usually used one real data set or limited simulated data. The aim of this study is to review short time series forecasting methods and compare between these four methods and the Robust Rank-Based Estimation (R Estimate) Method to forecast short time series data using the global data set in R software (M4-Competition dataset).Summary: التنبؤ بالسلاسل الزمنية هو التنبؤ بالقيم المستقبلية بناءً على القيم التي تمت ملاحظتها سابقًا. وله تطبيقات واسعة في العديد من المجالات. تحتوي العديد من قواعد البيانات للسلاسل الزمنية على أقل من أو يساوي ثلاثين مشاهدة، خاصة في البلدان النامية مثل مصر. هذه القواعد لا تفي بالافتراضات التقليدية حيث افترض تحليل Box and Jenkins أن حجم العينة يجب أن يكون على الأقل 50 مشاهدة لبناء نموذج مناسب. هناك العديد من الطرق المستخدمة في التنبؤ بالسلاسل الزمنية القصيرة مثل طرق التمهيد الأسية ونماذج الانحدار الذاتي-المتوسطات المتحركة التكاملية ونماذج الشبكات العصبية الاصطناعية ونموذج جراي ماركوف (1,1) في الدراسات السابقة. وقد قامت الدراسات السابقة بمقارنتها وعادة ما تستخدم قاعدة بيانات حقيقية واحدة أو قاعدة بيانات محاكاة محدودة. الهدف من هذه الدراسة هو مراجعة طرق التنبؤ بالسلاسل الزمنية القصيرة ومقارنة هذه الطرق الأربعة وطريقة التقدير المحصن المبني على أساس الرتب للتنبؤ بالسلاسل الزمنية القصيرة باستخدام قاعدة البيانات العالمية في البرنامج الاحصائي R (قاعدة بيانات M4-Competition).
Tags from this library: No tags from this library for this title. Log in to add tags.
Star ratings
    Average rating: 0.0 (0 votes)
Holdings
Item type Current library Home library Call number Status Date due Barcode
Thesis Thesis قاعة الرسائل الجامعية - الدور الاول المكتبة المركزبة الجديدة - جامعة القاهرة Cai01.03.01.M.Sc.2023.As.A (Browse shelf(Opens below)) Not for loan 01010110088976000

Thesis (M.Sc.)-Cairo University, 2023.

Bibliography: pages 52-57.

Time series forecasting is predicting of future values based on previously observed values. It
has extensive applications in many fields. Many time series data sets contain less than or equal
thirty observations especially in developing countries like EGYPT. These data sets don’t fulfill
the traditional assumptions. Box and Jenkins analysis assumed that the sample size should be
at least 50 observations to build a suitable model. Many methods were used in Short Time
Series Forecasting such as Exponential Smoothing Methods, Autoregressive Integrated
Moving Average (ARIMA) Models, Artificial Neural Networks (ANNs) and Grey-Markov
Model(1,1) in the previous literature. Previous studies compared them and usually used one
real data set or limited simulated data. The aim of this study is to review short time series
forecasting methods and compare between these four methods and the Robust Rank-Based
Estimation (R Estimate) Method to forecast short time series data using the global data set in R
software (M4-Competition dataset).

التنبؤ بالسلاسل الزمنية هو التنبؤ بالقيم المستقبلية بناءً على القيم التي تمت ملاحظتها سابقًا. وله تطبيقات واسعة في العديد من المجالات. تحتوي العديد من قواعد البيانات للسلاسل الزمنية على أقل من أو يساوي ثلاثين مشاهدة، خاصة في البلدان النامية مثل مصر. هذه القواعد لا تفي بالافتراضات التقليدية حيث افترض تحليل Box and Jenkins أن حجم العينة يجب أن يكون على الأقل 50 مشاهدة لبناء نموذج مناسب. هناك العديد من الطرق المستخدمة في التنبؤ بالسلاسل الزمنية القصيرة مثل طرق التمهيد الأسية ونماذج الانحدار الذاتي-المتوسطات المتحركة التكاملية ونماذج الشبكات العصبية الاصطناعية ونموذج جراي ماركوف (1,1) في الدراسات السابقة. وقد قامت الدراسات السابقة بمقارنتها وعادة ما تستخدم قاعدة بيانات حقيقية واحدة أو قاعدة بيانات محاكاة محدودة. الهدف من هذه الدراسة هو مراجعة طرق التنبؤ بالسلاسل الزمنية القصيرة ومقارنة هذه الطرق الأربعة وطريقة التقدير المحصن المبني على أساس الرتب للتنبؤ بالسلاسل الزمنية القصيرة باستخدام قاعدة البيانات العالمية في البرنامج الاحصائي R (قاعدة بيانات M4-Competition).

Issued also as CD

Text in English and abstract in Arabic & English.

There are no comments on this title.

to post a comment.