TBATS — تجزیهکننده نمایی مثلثاتی برای سریهای فصلی پیچیده
بسیاری از سریهای واقعی به طور همزمان بر روی بیش از یک ساعت تکرار میشوند: تقاضای برق در طول روز، در طول هفته و در طول سال افزایش و کاهش مییابد. TBATS هر یک از این ریتمها را با مجموعهای کوچک از امواج سینوسی و کسینوسی به جای یک متغیر مجازی برای هر فصل نشان میدهد، بنابراین حتی زمانی که یک دوره بسیار طولانی یا یک عدد صحیح نباشد (مانند 365.25 روز) فشرده باقی میماند. یک تبدیل باکس-کاکس ابتدا واریانس متغیر را مهار میکند، روند و سطح به آرامی از طریق هموارسازی نمایی تکامل مییابند، و یک مدل ARMA هرگونه همبستگی کوتاهمدت باقیمانده در باقیماندهها را جذب میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- De Livera, A. M., Hyndman, R. J. & Snyder, R. D. (2011). Forecasting Time Series with Complex Seasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association, 106(496), 1513-1527. DOI: 10.1198/jasa.2011.tm09771 ↗
- Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Trigonometric, Box-Cox, ARMA, Trend and Seasonal Components Model. ScholarGate. https://scholargate.app/fa/econometrics/tbats
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ compare
- مدل SARIMA (Seasonal ARIMA)اقتصادسنجی↔ compare
- STL Decomposition: Seasonal-Trend Decomposition using Loessاقتصادسنجی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →