Machine Learning Approach for Small Samples Arma Models Identification
| المصدر: | المجلة العلمية لقطاع كليات التجارة |
|---|---|
| الناشر: | جامعة الأزهر - كلية التجارة |
| المؤلف الرئيسي: | الشوادفي، جمال أحمد (مؤلف) |
| مؤلفين آخرين: | العجمي، محمد عبدالسلام (م. مشارك), متولي، نادر فتحي (م. مشارك) |
| المجلد/العدد: | ع24 |
| محكمة: | نعم |
| الدولة: |
مصر |
| التاريخ الميلادي: |
2020
|
| الشهر: | يونية |
| الصفحات: | 45 - 67 |
| DOI: |
10.21608/jsfc.2020.248229 |
| ISSN: |
2636-3674 |
| رقم MD: | 1301811 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | الإنجليزية |
| قواعد المعلومات: | EcoLink |
| مواضيع: | |
| كلمات المؤلف المفتاحية: |
Artificial Intelligence (AI) | Machine Learning(Ml) | Box-Jenkins Identification | The Neural Network Architecture
|
| رابط المحتوى: |
الناشر لهذه المادة لم يسمح بإتاحتها. |
| المستخلص: |
يعتبر توصيف نماذج ARMA (p, q) أحد أهم مراحل تحليل السلاسل الزمنية. والتوصيف يتضمن اختيار عدد مناسب لمعلمات النموذج. توجد طرق عديدة لتوصيف نماذج ARMA منها طرق تقوم على معاملات الارتباط الذاتي وتسمى Autocorrelation Methods ومن أهمها طريقة بوكس -جينكنز، وطرق انحدار الأخطاء innovation regression methods وطرق دالة الجزاء penalty function methods، وطرق نماذج التوصيف pattern identification methods، وطرق اختبارات الفروض testing hypothesis methods. وبالرغم من وجود هذه الطرق العديدة إلا أنها تتضمن صعوبات في العمليات الحسابية وفي تفسير النتائج خاصة في حالة العينات الصغيرة. هذا البحث يقدم طريقة جديدة ومؤثرة لتوصيف نماذج ARMA (p, q) باستخدام أسلوب تعلم الآلة Machine learning. تتضمن الطريقة تصميم شبكة عصبية باستخدام دوال مناسبة ثم تدريبها واختبارها للتحقق من صلاحيتها ثم استخدامها في التعرف على النموذج المناسب للسلسلة الزمنية. ولتقييم أداء الطريقة المقترحة تم توليد 192000 سلسلة زمنية من نماذج ARMA (p, q) بمعلمات مختلفة واختبار مدى تعرف الشبكة على النموذج المناسب. وقد أظهر البحث صلاحية الطريقة المقترحة في توصيف نماذج السلاسل الزمنية باستخدام أسلوب تعلم الآلة Machine learning، حيث تعرفت الآلة بطريقة صحيحة على نماذج ARMA (p, q) بنسبة 99.3%، وهي نسبة معقولة جدا في هذا المجال. بالإضافة إلى ذلك فإنه يمكن باستخدام برنامج صغير (مرفق في الملحق) توصيف السلسلة الزمنية دون الحاجة إلى خبرة كبيرة أو تفهم لأساليب تحليل رياضية وإحصائية معقدة. This paper proposes an effective machine learning approach to identify small samples data generated from autoregressive moving-average ARMA (p, q) models. The theoretical and practical aspects of the proposed approach are introduced, and its validity was evaluated by the ratio of correct identification (CIR). For evaluating the validity of the proposed machine learning approach, a simulation study was achieved. 192000 small samples were generated from ARMA (p, q) models with different sample sizes (10, 20, 30) and different parameters sets through the stationarity and invertibility regions. The ratio of the correct identification is calculated and used for evaluating the proposed approach. The average of CIR for all samples was 99.3% which shows a good performance for the proposed approach. The results also showed that the automatic ARMA identification Is less sensitive to small samples additionally, The proposed approach is quicker, automatic and more accurate alternative. A Python program is written for doing automatic Identification using a using a using a using a using a using a using a machine learning attached in the appendix. |
|---|---|
| ISSN: |
2636-3674 |
عناصر مشابهة
-
Prediction of Covid-19 Patients Using Machine Learning Approaches
بواسطة: النعامنه، هديل حسن صالح منشور: (2022) -
A Hybrid Model of Genetic and Bat Algorithms for Pregnancy Prediction Based on the Decision Support Systems and Machine Learning
بواسطة: الضرابعة، أحمد مفلح محمد منشور: (2021) -
Modeling Combinational Circuits Using Neural Network
بواسطة: أحمد، خالدة علي منشور: (2020) -
Jordanian Dialects Recognition Using Machine Learning
بواسطة: حسين، محمد حسين إسماعيل منشور: (2022) -
Combining Machine Learning with Use-Case Point for Enhancing Software Estimation
بواسطة: الربابعة، نعمة صالح أحمد منشور: (2022)
