روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر)
مدل هاى پیش بینى باکس- جنکینز یکى از معروف ترین مدل هاى سری هاى زمانى است که در پیش بینى پدیده هاى مختلف جغرافیایى اهمیت بسزایى دارد. در روششناسى باکس - جنکینز مدل هاى سرى زمانى در واقع مدل هاى تلفیقى اتورگرسیو و میانگین متحرک مى باشند که در آمار به مدل هاى ARIMA(1) معروف هستند. از مدل هاى AR...
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
سازمان جغرافیایی نیروهای مسلح
2007-01-01
|
| Series: | اطلاعات جغرافیایی |
| Subjects: | |
| Online Access: | http://www.sepehr.org/article_27873_d6d374a02a90eef1247f90212cd8c043.pdf |
| id |
doaj-d691b3a60e1b46bb896b37e8fcf94424 |
|---|---|
| record_format |
Article |
| spelling |
doaj-d691b3a60e1b46bb896b37e8fcf944242020-11-24T23:13:10Zfasسازمان جغرافیایی نیروهای مسلحاطلاعات جغرافیایی2588-38602588-38792007-01-011560606427873روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر)نبی اله رمضانی0کارشناس ارشد دانشگاه تربیت معلم تهرانمدل هاى پیش بینى باکس- جنکینز یکى از معروف ترین مدل هاى سری هاى زمانى است که در پیش بینى پدیده هاى مختلف جغرافیایى اهمیت بسزایى دارد. در روششناسى باکس - جنکینز مدل هاى سرى زمانى در واقع مدل هاى تلفیقى اتورگرسیو و میانگین متحرک مى باشند که در آمار به مدل هاى ARIMA(1) معروف هستند. از مدل هاى ARIMA مى توان مدل هاى متعددى چون مدل رگرسیون ساده و چند متغیره، اتورگرسیو، میانگین متحرک، مدل هاى فصلى و حتى مدل هاى ناشناخته دیگر را استخراج کرد. در این تحقیق ضمن بیان روش پیش بینى بارش از طریق مدل سرى زمانى باکس- جنکینز، به طور عملى و با برازش دادن این مدل بر روى داده هاى بارش ماهانه ایستگاه سینوپتیک قائمشهر که از آمار 50 ساله برخوردار است، بهترین مدل براى پیش بینى بارش در این ایستگاه که از نوع مدل SARIMA(1.0.1)(0.1.1) بود، انتخاب شد.http://www.sepehr.org/article_27873_d6d374a02a90eef1247f90212cd8c043.pdfسرى زمانىمدل هاى باکس- جنکینزخود همبستگىخود همبستگى جزئى- ARIMA- ایستگاه قائمشهر |
| collection |
DOAJ |
| language |
fas |
| format |
Article |
| sources |
DOAJ |
| author |
نبی اله رمضانی |
| spellingShingle |
نبی اله رمضانی روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) اطلاعات جغرافیایی سرى زمانى مدل هاى باکس- جنکینز خود همبستگى خود همبستگى جزئى- ARIMA- ایستگاه قائمشهر |
| author_facet |
نبی اله رمضانی |
| author_sort |
نبی اله رمضانی |
| title |
روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) |
| title_short |
روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) |
| title_full |
روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) |
| title_fullStr |
روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) |
| title_full_unstemmed |
روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) |
| title_sort |
روش پیش بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر) |
| publisher |
سازمان جغرافیایی نیروهای مسلح |
| series |
اطلاعات جغرافیایی |
| issn |
2588-3860 2588-3879 |
| publishDate |
2007-01-01 |
| description |
مدل هاى پیش بینى باکس- جنکینز یکى از معروف ترین مدل هاى سری هاى زمانى است که در پیش بینى پدیده هاى مختلف جغرافیایى اهمیت بسزایى دارد. در روششناسى باکس - جنکینز مدل هاى سرى زمانى در واقع مدل هاى تلفیقى اتورگرسیو و میانگین متحرک مى باشند که در آمار به مدل هاى ARIMA(1) معروف هستند. از مدل هاى ARIMA مى توان مدل هاى متعددى چون مدل رگرسیون ساده و چند متغیره، اتورگرسیو، میانگین متحرک، مدل هاى فصلى و حتى مدل هاى ناشناخته دیگر را استخراج کرد. در این تحقیق ضمن بیان روش پیش بینى بارش از طریق مدل سرى زمانى باکس- جنکینز، به طور عملى و با برازش دادن این مدل بر روى داده هاى بارش ماهانه ایستگاه سینوپتیک قائمشهر که از آمار 50 ساله برخوردار است، بهترین مدل براى پیش بینى بارش در این ایستگاه که از نوع مدل SARIMA(1.0.1)(0.1.1) بود، انتخاب شد. |
| topic |
سرى زمانى مدل هاى باکس- جنکینز خود همبستگى خود همبستگى جزئى- ARIMA- ایستگاه قائمشهر |
| url |
http://www.sepehr.org/article_27873_d6d374a02a90eef1247f90212cd8c043.pdf |
| work_keys_str_mv |
AT nbyạlhrmḍạny rwsẖpysẖbynybạrndgybạạstfạdhạzmdlsryhạyzmạnybạḵsjnḵynzmṭạlʿhmwrdyạystgạhqạỷmsẖhr |
| _version_ |
1725598962500501504 |