Trong chương này chúng tôi trình bày hệ thống chương trình hiện thực được, cách thực nghiệm và đánh giá kết quả thực nghiệm của mô hình SARIMA đƣợc xây dựng một cách tự động và so sánh với phương pháp làm trơn hàm mũ Winters.
Ngoài ra, chúng ta sẽ so sánh hiệu quả của trường hợp cập nhật lại mô hình SARIMA và trường hợp không cập nhật lại mô hình trong môi trường trực tuyến.
Quá trình hiện thực
4.1 Chúng tôi hiện thực mô hình trên bằng ngôn ngữ lập trình C#, trên nền .NET framework 4.5 với bộ hỗ trợ lập trình Microsoft Visual Studio 2010.
Cấu hình máy tính chạy thực nghiệm: CPU Core i7 1.73 GHz, Ram 4GB, hệ điều hành Win 7 Ultimate 32bits.
Cấu t ú hương t ình
4.2
Trong phần này, chúng tôi sẽ trình bày giao diện và các module chính của chương trình dự báo dựa trên SARIMA. Phần hướng dẫn sử dụng chương trình sẽ
đƣợc nêu ra ở trong phụ lục B. Trong luận văn này chúng tôi sử dụng hai mô hình là mô hình cộng và mô hình nhân để so sánh với mô hình SARIMA. Ngoài ra, việc dựa vào phần mềm hỗ trợ R để dự báo theo mô hình làm trơn hàm mũ Winters sẽ đƣợc trình bày trong phụ lục C.
Giao diện hương t ình
4.2.1 Giao diện của chương trình dự báo bằng mô hình SARIMA được thể hiện trong Hình 4.1
Hình 4. 1 Giao diện chương trình
Tại đây, ta có thể chọn dữ liệu để xây dựng mô hình và thực hiện việc vẽ đồ thị dữ liệu theo thời gian, biểu đồ tự tương quan, biểu đồ tự tương quan riêng phần, có thể chọn chế độ xây dựng mô hình tự chọn hay tự động, kiểm tra và dự báo chuỗi dữ liệu thời gian.
Các module chính
4.2.2
Module quản lý giao diện Module này có nhiệm vụ nhận các tác vụ của người dùng và gọi các module thích hợp để thực hiện tác vụ đó.
Module đọc và biểu diễn dữ liệu
Module này thực hiện việc đọc dữ liệu từ tập tin có định dạng txt. để xây dựng mô hình và dự báo, mỗi dòng là giá trị của dữ liệu tại 1 thời điểm cụ thể. Hình 4.2 thể hiện giá trị của chuỗi dữ liệu theo thời gian. Module này còn hỗ trợ các thông tin trực quan về dữ liệu thông qua các đồ thị.
Hình 4. 2 Đồ thị của chuỗi thời gian
Hình 4.3 thể hiện các hệ số tự tương quan (ACF) theo các độ trễ.
Hình 4. 3 Hệ s tự tương quan (ACF) của chuỗi thời gian
Hình 4.4 thể hiện các hệ số tương quan riêng phần theo các độ trễ.
Hình 4. 4 Hệ s tự tương qu n riêng phần (PACF) của chuỗi thời gian
Module tính toán ma trận
Đây là một bộ thƣ viện mã nguồn mở dùng để thực hiện các phép toán cơ bản
trên ma trận: cộng, trừ, nhân, chia, nghịch đảo,…Module này đƣợc sử dụng trong module SARIMA trong quá trình ƣớc lƣợng các tham số.
Module tính toán thống kê
Module này dùng để phân tích dữ liệu chuỗi thời gian và xây dựng mô hình SARIMA cũng nhƣ quá trình kiểm tra tính đúng đắn của mô hình. Module này bao gồm các chức năng chính sau:
Tính hệ số tự tương quan
Tính hệ số tự tương quan riêng phần
Tính độ tin cậy cho các hệ số tự tương quan
Tính toán lấy hiệu/tích hợp cho chuỗi dữ liệu
Tính các hệ số lỗi: MAE, MSE, MAPE
Module xây dựng mô hình SARIMA
Chương trình này cho phép người dùng chọn chế độ xây dựng mô hình SARIMA là tự chọn hay tự động. Nếu chọn chế độ tự động, chương trình sẽ tự động
phân tích chuỗi dữ liệu để tìm ra các hệ số rồi ƣớc lƣợng mô hình. Ngƣợc lại, nếu người dùng có nhiều hiểu biết về tính chất của chuỗi dữ liệu đang phân tích: có tính xu hướng hay không, có tính mùa hay không và chiều dài mùa là bao nhiêu thì kết hợp với các đồ thị hệ số tự tương quan và tự tương quan riêng phần, người dùng sẽ
có thể chọn đƣợc các thông số phù hợp cho mô hình SARIMA(p,d,q)×(P,Q,D)s.
Module dự báo trực tuyến Module này sẽ dự báo và kiểm tra từng phần tử dữ liệu mới đến và nếu độ sai lệch giữa giá trị dự báo và giá trị thực tế vượt quá một ngưỡng cho trước mà ta quy định thì module này sẽ xây dựng lại mô hình SARIMA(p,d,q)×(P,Q,D)s.
Dữ liệu thực nghiệm
4.3 Tất cả các bộ dữ liệu đƣợc lấy từ trên nguồn dữ liệu datamarket.com [15] đây là
một trang web chuyên cung cấp các bộ dữ liệu thực tế trên toàn thế giới về nhiều lĩnh vực khác nhau và các bộ dữ liệu có sẵn trong phần mềm R
Bộ dữ liệu mực nước trung bình hàng tháng của hồ nước tại Warroad từ năm 1916-1965
Hình 4. 5 Bộ dữ liệu mực nước trung bình hàng tháng của hồ nước
Bộ dữ liệu nhiệt độ tối đa ở Melbourne từ tháng một năm 1971 đến tháng mười hai năm 1990
Hình 4. 6 Bộ dữ liệu nhiệt độ t i đ ở Melbourne
Bộ dữ liệu số lƣợng tạp chí hóa chất.
Hình 4. 7 Bộ dữ liệu s lƣợng tạp chí hóa chất
Bộ dữ liệu số ca sinh mỗi tháng ở thành phố New York, từ tháng Giêng năm 1946 đến tháng 12 năm 1959. Các yếu tố mùa ƣớc tính đƣợc đƣa ra cho những tháng January-December, và là nhƣ nhau cho mỗi năm. Các yếu tố mùa lớn nhất là cho tháng bảy và thấp nhất là cho tháng hai, nghĩa là có nhiều ca sinh vào tháng bảy và ít ca sinh trong tháng hai.
Hình 4. 8 Bộ dữ liệu s ca sinh mỗi tháng ở thành ph New York
Bộ dữ liệu chỉ số lƣợng sản xuất sữa bò của một nông trại từ tháng 1 năm 1962 đến tháng 12 năm 1975 đƣợc theo dõi theo từng tháng.
Hình 4. 9 Bộ dữ liệu chỉ s lƣợng sản xuất sữa bò của một nông trại
Bộ dữ liệu tổng mức tiêu thụ điện tại Mỹ từ năm 1920 đến năm 1970
Hình 4. 10 Bộ dữ liệu tổng mức tiêu thụ điện tại Mỹ
Bộ dữ liệu nồng độ Ozone ở Arosa từ năm 1932 đến 1972
Hình 4. 11 Bộ dữ liệu nồng độ Ozone ở Arosa
Bộ dữ liệu lƣợng tiêu thụ khí đốt trung bình theo quý tại Anh
Hình 4. 12 Bộ dữ liệu lƣợng tiêu thụ khí đ t tại Anh
* Mỗi tập dữ liệu dùng để phân tích sẽ đƣợc chia làm 2 tập con gồm:
Tập dữ liệu dùng để huấn luyện (training) bằng 80% so với tổng số dòng dữ liệu gốc.
Tập dữ liệu dùng để kiểm định (testing), đánh giá với số lƣợng dòng dữ liệu còn lại là 20% so với tổng số dòng dữ liệu gốc.
Kết quả thực nghiệm t ng ôi t ường không trực tuyến
4.4
Bộ dữ liệu mự nước trung bình hàng tháng của hồ nước tại
4.4.1
Warroad
Bộ dữ liệu này là chuỗi thời gian có chiều dài 600 vừa có tính mùa và vừa chứa các thành phần bất thường, trong đó 480 phần tử đầu tiên sẽ được dùng để huấn luyện và 120 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 1, 2)(1, 1, 1)12 4.8921 1.975476 0.61196
Winters theo mô hình nhân
alpha: 0.8407678 beta : 0.01293896
gamma: 1
0.18 0.341741 0.10593
Winters theo mô hình cộng
alpha: 0.8405483 beta : 0.01288744
gamma: 1
0.18 0.341823 0.10595
Bảng 4. 1 Kết quả thực nghiệm dự báo mực nước trung bình hàng tháng của
hồ nước tại Warroad
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì không tốt bằng phương pháp làm trơn hàm mũ Winters theo mô hình nhân và mô hình cộng.
Bộ dữ liệu nhiệt độ t i đ ở Melbourne từ tháng một nă 1971
4.4.2
đến tháng ười h i nă 1990
Bộ dữ liệu này là chuỗi thời gian có chiều dài 240 vừa có tính mùa và vừa chứa các thành phần xu hướng, trong đó 192 phần tử đầu tiên sẽ được dùng để huấn luyện và 48 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(0, 0, 0)(0, 1, 0)12 3.263646 1.484167 7.163950
Winters theo mô hình nhân
alpha: 0.10498 beta : 0.03336417 gamma: 0.1818528
3.17 1.577414 7.606064
Winters theo mô hình cộng
alpha: 0.1029294 beta : 0.02015872 gamma: 0.1659942
2.59 1.401947 7.049789
Bảng 4. 2 Kết quả thực nghiệm dự báo nhiệt độ t i đ ở Melbourne
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì không tốt bằng phương pháp làm trơn hàm mũ Winters theo mô hình nhân và mô hình cộng.
Bộ dữ liệu s lượng tạp chí hóa chất
4.4.3 Bộ dữ liệu này là chuỗi thời gian có chiều dài 197 có tính xu hướng, trong đó 158 phần tử đầu tiên sẽ đƣợc dùng để huấn luyện và 39 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA ARIMA(2, 0, 2)(0, 1, 1)7 0.135027 0.260820 1.485663
Winters theo mô hình nhân
alpha: 0.2730109 beta : 0.02642539 gamma: 0.2323249
0.10 0.218807 1.255207
Winters theo mô hình cộng
alpha: 0.2727049 beta : 0.02560116 gamma: 0.2343438
0.10 0.218926 1.255832
Bảng 4. 3 Kết quả thực nghiệm dự báo s lƣợng tạp chí hóa chất
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì không tốt bằng phương pháp làm trơn hàm mũ Winters
Bộ dữ liệu s ca sinh mỗi tháng ở thành ph New York
4.4.4 Bộ dữ liệu này là chuỗi thời gian có chiều dài 168 vừa có tính mùa vừa có tính xu hướng, trong đó 134 phần tử đầu tiên sẽ được dùng để huấn luyện và 34 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 0, 2)(0, 1, 0)12 0.678748 0.651833 2.329679
Winters theo mô hình nhân
alpha: 0.7264596 beta : 0.02110594 gamma: 0.7702101
0.72 0.92 2.64255
Winters theo mô hình cộng
alpha: 0.819919 beta : 0.01786943
gamma: 1
1.14 0.883895 3.173314
Bảng 4. 4 Kết quả thực nghiệm dự báo s ca sinh mỗi tháng ở New York
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì tốt hơn phương pháp làm trơn hàm mũ Winters.
Bộ dữ liệu s ượng sản xuất sữa bò của một nông trại
4.4.5 Bộ dữ liệu này là chuỗi thời gian có chiều dài là 168 vừa có tính mùa vừa có tính xu hướng, trong đó 134 phần tử đầu tiên sẽ được dùng để huấn luyện và 34 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 0, 2)(0, 1, 1)12 1923.002 41.45325 4.728892
Winters theo mô hình nhân
alpha: 0.549185 beta : 0 gamma: 0.9221396
259.94 12.63710 1.450241
Winters theo mô hình cộng
alpha: 0.6740294 beta : 0 gamma: 0.7624492
135.30 9.78192 1.135391
Bảng 4. 5 Kết quả thực nghiệm dự báo s lƣợng sản xuất sữa bò
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì không tốt bằng phương pháp làm trơn hàm mũ Winters.
Bộ dữ liệu tổng mức tiêu thụ điện tại Mỹ
4.4.6 Bộ dữ liệu này là chuỗi thời gian có chiều dài là 51 có tính xu hướng, trong đó
41 phần tử đầu tiên sẽ đƣợc dùng để huấn luyện và 10 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(1, 0, 0)(0, 0, 0)0 12725300
32.27807 34337.41 2.559678
Winters theo mô hình nhân
alpha: 0.8692929 beta : 0.8694675
gamma: 1
19557830 7883.37 313663.1 21.79603
26
Winters theo mô hình cộng
alpha: 0.8878177 beta : 0.2925643
gamma: 1
33215911 902.80 130530.8 9.078217
Bảng 4. 6 Kết quả thực nghiệm dự báo mức tiêu thụ điện tại Mỹ
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì tốt hơn phương pháp làm trơn hàm mũ Winters.
Bộ dữ liệu nồng độ Ozone ở Arosa từ nă 1932 đến 1972
4.4.7 Bộ dữ liệu này là chuỗi thời gian có chiều dài là 480 vừa có tính xu hướng vừa có tính mùa, trong đó 384 phần tử đầu tiên sẽ đƣợc dùng để huấn luyện và 96 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(3, 0, 0)(1, 1, 0)12 554.2836 17.77956 5.037026
Winters theo mô hình nhân
alpha: 0.206234 beta : 0.0206145 gamma: 0.1631418
1047.30 26.88905 7.818612
Winters theo mô hình cộng
alpha: 0.2141543 beta : 0.0163499 gamma: 0.1584505
757.67 22.35438 6.539607
Bảng 4. 7 Kết quả thực nghiệm dự báo nồng độ Ozone
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì tốt hơn phương pháp làm trơn hàm mũ Winters.
Bộ dữ liệu ượng tiêu thụ khí đ t trung bình theo quý tại Anh
4.4.8
Bộ dữ liệu này là chuỗi thời gian có chiều dài là 108 vừa có tính xu hướng vừa có tính mùa, trong đó 86 phần tử đầu tiên sẽ đƣợc dùng để huấn luyện và 22 phần tử còn lại sẽ đƣợc dùng để kiểm tra kết quả dự báo.
Mô hình MSE MAE MAPE
SARIMA SARIMA(0, 0, 3)(0, 1, 0)4 4655.873 48.07073 8.461248
Winters theo mô hình nhân
alpha: 0.02404755 beta : 0.4906015 gamma: 0.9133612
3792.74 52.4911 11.03897
Winters theo mô hình cộng
alpha: 0.01534572 beta : 1 gamma: 1
8781.11 77.28851 20.84790
Bảng 4. 8 Kết quả thực nghiệm dự báo lƣợng tiêu thụ khí đ t tại Anh
Nhận xét: Kết quả dự báo từ mô hình SARIMA thì tốt hơn phương pháp làm trơn hàm mũ Winters.
Đánh giá kết quả thực nghiệm
4.4.9 Qua quá trình thực nghiệm với các bộ dữ liệu mang tính chất khác nhau và so sánh giữa mô hình tự hồi quy tích hợp với mô hình trung bình di động ARIMA và phương
pháp làm trơn hàm mũ Winters, chúng tôi rút ra các nhận xét nhƣ sau:
- Kết quả dự báo bằng mô hình ARIMA và phương pháp làm trơn hàm mũ
Winters là tương đương nhau.
- Để xây dựng mô hình ARIMA cần phải có nhiều dữ liệu. Với những chuỗi không có tính mùa cần có 40 quan sát trở lên
Kết quả thực nghiệ t ng ôi t ường trực tuyến
4.5 Ta chia dữ liệu ra làm hai phần: phần huấn luyện bằng 80% tổng chiều dài của chuỗi dữ liệu thời gian và phần dự báo bằng 20% tổng chiều dài của chuỗi dữ liệu thời gian.
Sau khi huấn luyện ta sẽ đƣợc mô hình SARIMA và ta có đƣợc MAPE của mô hình này, ta dùng mô hình để dự báo cho phần tử kế tiếp và MAPE này dùng để làm ngƣỡng dự báo. Lúc này, bộ nhớ đệm sẽ đƣợc cập nhật lại bằng cách loại bỏ dữ liệu cũ nhất và thay bằng dữ liệu mới đến này để đảm bảo rằng chiều dài của bộ nhớ đệm chúng ta luôn luôn là 80% tổng chiều dài của chuỗi dữ liệu thời gian. Tiếp theo, ta sẽ tính độ sai lệch của giá trị dự báo của mô hình so với giá trị thực tế. Nếu giá trị này lớn hơn ngƣỡng thì ta sẽ xây dựng lại mô hình SARIMA hình dựa trên dữ liệu mà chúng ta lưu trong bộ đệm, cập nhật lại các thông số mô hình, tính MAPE mới và dự báo cho dữ liệu kế tiếp, ngƣợc lại nếu giá trị này nhỏ hơn ngƣỡng thì ta sẽ dùng mô hình này để dự báo dữ liệu kế tiếp. Ta sẽ lặp lại quá trình này cho những dữ liệu dự báo còn lại.
Bộ dữ liệu mự nước trung bình hàng tháng của hồ nước tại
4.5.1
Warroad
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 1, 2)(1, 1,
1)12 4.892135 1.975476 0.611960
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(2, 1, 2)(1, 1,
1)12 0.050722 0.146829 0.04549
SARIMA trong môi trường trực
tuyến
SARIMA(2, 1, 2)(1, 1,
1)12 0.052642 0.148147 0.045896
Bảng 4. 9 Kết quả thực nghiệm dự báo trực tuyến mực nước trung bình hàng
tháng của hồ nước tại Warroad
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến tốt hơn mô hình SARIMA trong môi trường không trực tuyến.
Bộ dữ liệu nhiệt độ t i đ ở Melbourne từ tháng một nă 1971
4.5.2
đến tháng ười h i nă 1990
Mô hình MSE MAE MAPE
SARIMA SARIMA(0, 0, 0)(0, 1,
0)12 3.263646 1.484167 7.163950
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(0, 0, 0)(0, 1,
0)12 2.094337 1.134560 5.505315
SARIMA trong môi trường trực
tuyến
SARIMA(0, 0, 0)(0, 1,
0)12 2.096746 1.132766 5.491553
Bảng 4. 10 Kết quả thực nghiệm dự báo trực tuyến nhiệt độ t i đ ở
Melbourne
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến tốt hơn mô hình SARIMA trong môi trường không trực tuyến.
Bộ dữ liệu s lượng tạp chí hóa chất
4.5.3
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 0, 2)(0, 1,
1)7 0.135027 0.260820 1.485663
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(2, 0, 2)(0, 1,
1)7 0.153972 0.305778 1.751539
SARIMA trong môi trường trực
tuyến
SARIMA(2, 0, 2)(0, 1,
1)7 0.157871 0.303001 1.732324
Bảng 4. 11 Kết quả thực nghiệm dự báo trực tuyến s lƣợng tạp chí hóa chất
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến không tốt bằng mô hình SARIMA trong môi trường không trực tuyến.
Bộ dữ liệu s ca sinh mỗi tháng ở thành ph New York
4.5.4
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 0, 2)(0, 1,
0)12 0.678748 0.651833 2.329679
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(2, 0, 2)(0, 1,
0)12 0.698445 0.637734 2.298036
SARIMA trong môi trường trực
tuyến
SARIMA(2, 0, 2)(0, 1,
0)12 0.817835 0.739675 2.660153
Bảng 4. 12 Kết quả thực nghiệm dự báo s ca sinh mỗi tháng ở New York
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến thì tốt hơn mô hình SARIMA trong môi trường không trực tuyến.
Bộ dữ liệu s ượng sản xuất sữa bò của một nông trại
4.5.5
Mô hình MSE MAE MAPE
SARIMA SARIMA(2, 0, 2)(0, 1,
1)12 1923.002 41.45325 4.728892
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(2, 0, 2)(0, 1,
1)12 170.5368 10.45093 1.140308
SARIMA trong môi trường trực
tuyến
SARIMA(2, 0, 2)(0, 1,
1)12 1384.441 24.93585 2.825759
Bảng 4. 13 Kết quả thực nghiệm dự báo s lƣợng sản xuất sữa bò
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến thì tốt hơn mô hình SARIMA trong môi trường không trực tuyến.
Bộ dữ liệu tổng mức tiêu thụ điện tại Mỹ
4.5.6
Mô hình MSE MAE MAPE
SARIMA SARIMA(1, 0, 0)(0, 0,
0)0
12725300 32.27807 34337.41 2.559678
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(1, 0, 0)(0, 0,
0)0
12725300 32.27807 34337.41 2.559678
SARIMA trong môi trường trực
tuyến
SARIMA(1, 0, 0)(0, 0,
0)0
32271836 8.343959 14903.43 0.899440
Bảng 4. 14 Kết quả thực nghiệm dự báo trực tuyến tổng mức tiêu thụ điện tại
Mỹ
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến và mô hình SARIMA trong môi trường không trực tuyến là như nhau.
Bộ dữ liệu nồng độ Ozone ở Arosa từ nă 1932 đến 1972
4.5.7
Mô hình MSE MAE MAPE
SARIMA SARIMA(3, 0, 0)(1, 1,
0)12 554.2836 17.77956 5.037026
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(3, 0, 0)(1, 1,
0)12 565.8636 16.73323 4.752477
SARIMA trong môi trường trực
tuyến
SARIMA(3, 0, 0)(1, 1,
0)12 564.7322 16.97679 4.818299
Bảng 4. 15 Kết quả thực nghiệm dự báo trực tuyến nồng độ Ozone
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến thì tốt hơn mô hình SARIMA trong môi trường không trực tuyến.
Bộ dữ liệu ượng tiêu thụ khí đ t trung bình theo quý tại Anh
4.5.8
Mô hình MSE MAE MAPE
SARIMA SARIMA(0, 0, 3)(0, 1,
0)4 4655.873 48.07073 8.461248
SARIMA trong môi trường trực tuyến có ngƣỡng
SARIMA(0, 0, 3)(0, 1,
0)4 3151.871 42.96646 6.858039
SARIMA trong môi trường trực
tuyến
SARIMA(0, 0, 3)(0, 1,
0)4 2363.069 38.24078 6.150054
Bảng 4. 16 Kết quả thực nghiệm dự báo trực tuyến lƣợng tiêu thụ khí đ t tại
Anh
Nhận xét: Kết quả dự báo từ mô hình SARIMA trong môi trường trực tuyến thì tốt hơn mô hình SARIMA trong môi trường không trực tuyến.