000			04571namaa22004211i 4500
003			OSt
005			20241021102535.0
008			241017s2023 |||a|||fr|m|| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519
092			_a519 _221
097			_aM.Sc
099			_aCai01.03.01.M.Sc.2023.As.A
100	0		_aAsmaa Ali Fathy Abuhagar, _epreparation.
245	1	0	_aShort Time Series Forecasting : _bA Comparative Study / _cby Asmaa Ali Fathy Abuhagar ; Supervised by Prof. Mohamed Ali Ismail, Prof. Abd-Elnaser Saad Abd-Rabou, Prof. Hend Abdul-Ghaffar Auda
246	1	5	_aالتنبؤ بالسلاسل الزمنية القصيرة : _bدراسة مقارنة /
264		0	_c2023.
300			_a62 pages : _billustrations ; _c25 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc.)-Cairo University, 2023.
504			_aBibliography: pages 52-57.
520			_aTime 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).
520			_aالتنبؤ 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).
530			_aIssued also as CD
546			_aText in English and abstract in Arabic & English.
650		7	_aStatistics _2qrmak
653		0	_aShort Time Series Forecasting _aExponential Smoothing Methods _aARIMA Models _aArtificial Neural Networks (ANNs) _aGrey-Markov Model(1,1)
700	0		_aMohamed Ali Ismail _ethesis advisor.
700	0		_aAbd-Elnaser Saad Abd-Rabou _ethesis advisor.
700	0		_aHend Abdul-Ghaffar Auda _ethesis advisor.
900			_b01-01-2023 _cMohamed Ali Ismail _cAbd-Elnaser Saad Abd-Rabou _cHend Abdul-Ghaffar Auda _UCairo University _FFaculty of conomics and Political Science _DDepartment of Statistics
905			_aEman _eHuda
942			_2ddc _cTH _e21 _n0
999			_c168458