S'abonner

An improved SSA forecasting result based on a filtered recurrent forecasting algorithm - 28/09/17

Un algorithme de prévision SSA amélioré, reposant sur des séries filtrées

Doi : 10.1016/j.crma.2017.09.004 
Hossein Hassani a, Mahdi Kalantari b , Masoud Yarmohammadi b
a Research Institute of Energy Management and Planning, University of Tehran, No. 13, Ghods St., Enghelab Ave., Tehran, Iran 
b Department of Statistics, Payame Noor University, 19395-4697, Tehran, Iran 

Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Thursday 28 September 2017
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Abstract

The Singular Spectrum Analysis (SSA) technique is a non-parametric powerful method in the field of time series analysis whose popularity has increased in recent years owing to its widespread applications. Recurrent forecasting is one of the important forecasting methods in SSA. In this paper, the forecasting accuracy of recurrent forecasts is improved via the introduction of a new recurrent forecasting algorithm. In the novel approach, the recurrent coefficients are generated from the filtered series which has less noise and thus enables one to achieve the better forecasts. The performance of the new method has been compared with the established recurrent forecasting method. The comparison involves applications to various real and simulated time series. The obtained results confirm that the new approach can provide more accurate forecasts.

Le texte complet de cet article est disponible en PDF.

Résumé

La technique d'analyse du spectre singulier (SSA) est une méthode puissante et non paramétrique dans le domaine de l'analyse des séries temporelles. Elle connaît depuis ces dernières années une popularité croissante en raison de son large éventail d'applications. La prévision récurrente est l'une des plus importantes méthodes de prévision en SSA. Dans ce texte, nous améliorons la précision de ces prévisions récurrentes en introduisant un nouvel algorithme. Dans notre approche, les coefficients récurrents sont engendrés à partir d'une série filtrée qui a un bruit moindre, ce qui permet d'obtenir de meilleures prévisions. Nous comparons cette nouvelle méthode avec celle établie, en la testant sur des applications à diverses séries temporelles, réelles ou simulées. Les résultats confirment que la nouvelle méthode produit des prévisions plus précises.

Le texte complet de cet article est disponible en PDF.

Plan


© 2017  Académie des sciences. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.