| المستخلص: |
في هذا البحث تم تحليل سلسلة درجات الحرارة اليومية المسجلة في محافظة بابل لسنة (٢٠٢٠) والتي شملت (٣٣٤) مشاهدة والتي تم الحصول عليها من هيئة الانواء الجوية العراقية باستعمال نماذج الانحدار الذاتي المتوسطات المتحركة الموسمية SARIMA ونماذج الانحدار الذاتي المتوسطات المتحركة المضاعفة الموسمية بالاعتماد على البرامج الجاهزة (Minitab 17, Matlab 2015, E-views 10) بهدف تشخيص أفضل انموذج موسمي للسلسة الزمنية من مجموعة نماذج تم توفيقها، ومن ثم اختيار أفضل انموذج من هذه النماذج باستعمال معايير المقارنة بين النماذج وهي (AIC, BIC, SMAIC) ومن ثم تقدير الانموذج المشخص باستعمال طريقة الإمكان الأعظم التقريبية ومن ثم المقارنة بين هذه الطريقة بأسلوب الشبكات العصبية الاصطناعية .NARX وتم التوصل إلى أن الانموذج الموسمي المضاعف ARIMA (p,q,d)x(P,Q,D)2كأنموذج ممثل للسلسلة الزمنية الموسمية محل الدراسة وكذلك تم تشخيص الانموذج الموسمي المضاعف من الرتبة ARIMA (1,1,0)x(1,2,0)2 كأفضل انموذج موسمي لسلسلة درجات الحرارة. وقد تبين بأن أسلوب الشبكات العصبية الاصطناعية NARX أفضل من طريقة الامكان الأعظم التقريبية اعتماداً على معيار متوسط مربعات الخطأ MSE.
In this research, the series of daily temperatures recorded in the Babylon Governorate for the year (2020), which included (334) observations, which were obtained from the Iraqi Meteorological Authority, was analyzed using autoregressive seasonal moving averages SARIMA models and autoregressive seasonal multiple moving averages models depending on programs (Minitab 17, Matlab 2015, E-views 10) with the aim of diagnosing the best seasonal model for the time series from a set of models that have been reconciled, and then choosing the best model from these models using the comparison criteria between models (AIC, BIC, SMAIC) and then estimating The diagnosed model using the approximate maximum potential method, and then comparing this method with the artificial neural networks NARX method. It was concluded that the doubled seasonal model ARIMA (p,q,d)x(P,Q,D)2 as a representative model for the seasonal time series under study, as well as the multiple seasonal model of the rank ARIMA (1,1,0)x(1 ,2,0)2 as the best seasonal model for the temperature series. It was found that the artificial neural network NARX method is better than the approximate maximum likelihood method based on the MSE standard.
|
