Просмотр запроса №55283
Добрый день,
Не могли бы вы подсказать литературу (желательно на английском языке) по теме: "Prediction of time series dataset using such forecasting classical methods as ARMA, AR, ARIMA, SARIMAX" или "Прогнозирование набора данных временных рядов с использованием таких классических моделей, как ARMA, AR, ARIMA, SARIMAX".
Меня интересуют работы, где рассказывают про использование моделей / их достоинства / может практические примеры.
Спасибо заранее!
Не могли бы вы подсказать литературу (желательно на английском языке) по теме: "Prediction of time series dataset using such forecasting classical methods as ARMA, AR, ARIMA, SARIMAX" или "Прогнозирование набора данных временных рядов с использованием таких классических моделей, как ARMA, AR, ARIMA, SARIMAX".
Меня интересуют работы, где рассказывают про использование моделей / их достоинства / может практические примеры.
Спасибо заранее!
Ответ
[2025-04-04 17:08:20] :
Здравствуйте! Предлагаем выборочный список литературы по теме (источники: ЭК РНБ, НЭБ eLibrary, Киберленинка, Академия Google, БД ВИНИТИ РАН, НТЛ ВИНИТИ):
1.Анализ и прогнозирование временных рядов кибератак на информационную систему ведомственного вуза: возможности и ограничения методов // В.Н. Наумов, М.В. Буйневич, М.Ю. Синещук, М.А. Тукмачева // Труды учебных заведений связи. – 2025. – Т. 11, № 1. – С. 99-112. – Электрон. копия доступна в науч. электрон. б-ке Киберленинка. URL: https://cyberleninka.ru/article/n/analiz-i-prognozirovanie-vremennyh-ryadov-kiberatak-na-informatsionnuyu-sistemu-vedomstvennogo-vuza-vozmozhnosti-i-ogranicheniya (дата обращения: 02.04.2025).
2.Мартынчук И.Г. Прогнозирование мультисезонных нагрузочных процессов в эластичных вычислительных системах // Приборостроение. – 2023. – Т. 66, № 11. – С. 907-916. – Электрон. копия доступна в науч. электрон. б-ке Киберленинка. URL: https://cyberleninka.ru/article/n/prognozirovanie-multisezonnyh-nagruzochnyh-protsessov-v-elastichnyh-vychislitelnyh-sistemah (дата обращения: 02.04.2025).
3.Новиков А.А. Анализ методов прогнозирования временных рядов / А.А. Новиков, Е.О. Будзинская, О.Н. Канева // Информационный бюллетень Омского научно-образовательного центра ОмГТУ и ИМ СО РАН в области математики и информатики : материалы X Междунар. молодеж. науч.-практ. конф. с элементами науч. шк. – Омск, 2020. – Т. 4, № 1. – С. 37-43. – Электрон. копия доступна на сайте науч. электрон. б-ки eLibrary. URL: https://elibrary.ru/item.asp?id=44063546 (дата обращения: 02.04.2025). – Доступ после регистрации.
4.Ansari M. An intelligent IoT-cloud-based air pollution forecasting model using univariate time-series analysis / M. Ansari, M. Alam //Arabian journal for science and engineering. – 2024. – Vol. 49, N 3. – P. 3135-3162. – Электрон. копия доступна на сайте журн. URL: https://link.springer.com/article/10.1007/s13369-023-07876-9 (дата обращения: 02.04.2025).
5.Comparative Analysis of Stock Price Prediction using Time Series Models / H. Notaria, S. Shah, D. Thopte [at.al.] // 8th International Conference on Computing, Communication, Control and Automation (ICCUBEA). – Pune, India, 2024. – P. 1-6. – Электрон. копия доступна на сайте технической платформы IEEE.URL: https://ieeexplore.ieee.org/abstract/document/10775112 (дата обращения: 02.04.2025). – Доступ после регистрации.
6.Forecasting silver prices: a univariate ARIMA approach and a proposed model for future direction / Chaya Bagrecha, Kuldeep Singh, Geeti Sharma, P.B. Saranya // Mineral Economics. – 2024. – P. 1-11. – Электрон. копия доступна на сайте журн. URL: https://link.springer.com/article/10.1007/s13563-024-00461-y (дата обращения: 02.04.2025).
7.Hybrid machine learning model combining of CNN-LSTM-RF for time series forecasting of Solar Power Generation / Mobarak Abumohsen, Amani Yousef Owda, Majdi Owda, Ahmad Abumihsan // e-Prime-Advances in Electrical Engineering, Electronics and Energ. – 2024. – Vol. 9. – P. 100636. – Электрон. копия доступна на сайте журн. URL: https://www.sciencedirect.com/science/article/pii/S277267112400216X (дата обращения: 02.04.2025).
8.Khan D.R. An experimental comparison of classic statistical techniques on univariate time series forecasting / D.R. Khan, A.B. Patankar, A. Khan // Procedia Computer Science. – 2024. – Vol. 235. – P. 2730-2740. – Электрон. копия доступна на сайте журн. URL: https://www.sciencedirect.com/science/article/pii/S1877050924009335 (дата обращения: 02.04.2025).
9.Lin Yang. Progressive neural network for multi-horizon time series forecasting // Information Sciences (USA). – 2024. – Vol. 661. – P. 120112. – Электрон. копия доступна на сайте журн. URL: https://www.sciencedirect.com/science/article/pii/S0020025524000252?via%3Dihub (дата обращения: 02.04.2025).
10.Palit A.K. Computational intelligence in time series forecasting : theory and engineering applications / A.K. Patit, D. Popovic. – London : Springer, cop. 2005. – XXI, 372 p. : ил. – (Advances in industrial control [1430-9491]). – Библиогр. в конце гл. – Указ.: с. 363-372. – Электрон. копия фрагмента доступна в онлайн-б-ке Google Books. URL: (открыть ссылку) (дата обращения: 02.04.2025). Шифр РНБ: Ик 2006-7/246
11.Sivhugwana K.S. An Ensemble Approach to Short-Term Wind Speed Predictions Using Stochastic Methods, Wavelets and Gradient Boosting Decision Trees / K.S. Sivhugwana, E. Ranganai // Wind. – 2024. – Vol. 4, N 1. – P. 44-67. – Электрон. копия доступна на сайте журн. URL: https://www.mdpi.com/2674-032X/4/1/3 (дата обращения: 02.04.2025).
12.Tsitsiashvili G. Sh. Original algorithms of time series emergence / G. Sh. Tsitsiashvili, M.A. Osipova. – Kazan : Buk, 2022. – 77 p.: ил. – Библиогр.: с. 73-77 (47 назв.). – Электрон. копия доступна на сайте науч. электрон. б-ки eLibrary. URL: https://elibrary.ru/item.asp?id=48217741 (дата обращения: 02.04.2025). – Доступ после регистрации. Шифр РНБ: Ик 2022-4/151
13.Yadav A.A. Comparative Study of Time Series, Machine Learning, and Deep Learning Models for Forecasting Global Price of Wheat // Operations Research Forum. – 2024. – Vol. 5, N 4. – P. 113. – Электрон. копия доступна на сайте журн. URL: https://link.springer.com/article/10.1007/s43069-024-00395-9 (дата обращения: 02.04.2025).
Являясь жителем Санкт-Петербурга, Вы можете обратиться за дополнительной информацией к библиографам РНБ.
1.Анализ и прогнозирование временных рядов кибератак на информационную систему ведомственного вуза: возможности и ограничения методов // В.Н. Наумов, М.В. Буйневич, М.Ю. Синещук, М.А. Тукмачева // Труды учебных заведений связи. – 2025. – Т. 11, № 1. – С. 99-112. – Электрон. копия доступна в науч. электрон. б-ке Киберленинка. URL: https://cyberleninka.ru/article/n/analiz-i-prognozirovanie-vremennyh-ryadov-kiberatak-na-informatsionnuyu-sistemu-vedomstvennogo-vuza-vozmozhnosti-i-ogranicheniya (дата обращения: 02.04.2025).
2.Мартынчук И.Г. Прогнозирование мультисезонных нагрузочных процессов в эластичных вычислительных системах // Приборостроение. – 2023. – Т. 66, № 11. – С. 907-916. – Электрон. копия доступна в науч. электрон. б-ке Киберленинка. URL: https://cyberleninka.ru/article/n/prognozirovanie-multisezonnyh-nagruzochnyh-protsessov-v-elastichnyh-vychislitelnyh-sistemah (дата обращения: 02.04.2025).
3.Новиков А.А. Анализ методов прогнозирования временных рядов / А.А. Новиков, Е.О. Будзинская, О.Н. Канева // Информационный бюллетень Омского научно-образовательного центра ОмГТУ и ИМ СО РАН в области математики и информатики : материалы X Междунар. молодеж. науч.-практ. конф. с элементами науч. шк. – Омск, 2020. – Т. 4, № 1. – С. 37-43. – Электрон. копия доступна на сайте науч. электрон. б-ки eLibrary. URL: https://elibrary.ru/item.asp?id=44063546 (дата обращения: 02.04.2025). – Доступ после регистрации.
4.Ansari M. An intelligent IoT-cloud-based air pollution forecasting model using univariate time-series analysis / M. Ansari, M. Alam //Arabian journal for science and engineering. – 2024. – Vol. 49, N 3. – P. 3135-3162. – Электрон. копия доступна на сайте журн. URL: https://link.springer.com/article/10.1007/s13369-023-07876-9 (дата обращения: 02.04.2025).
5.Comparative Analysis of Stock Price Prediction using Time Series Models / H. Notaria, S. Shah, D. Thopte [at.al.] // 8th International Conference on Computing, Communication, Control and Automation (ICCUBEA). – Pune, India, 2024. – P. 1-6. – Электрон. копия доступна на сайте технической платформы IEEE.URL: https://ieeexplore.ieee.org/abstract/document/10775112 (дата обращения: 02.04.2025). – Доступ после регистрации.
6.Forecasting silver prices: a univariate ARIMA approach and a proposed model for future direction / Chaya Bagrecha, Kuldeep Singh, Geeti Sharma, P.B. Saranya // Mineral Economics. – 2024. – P. 1-11. – Электрон. копия доступна на сайте журн. URL: https://link.springer.com/article/10.1007/s13563-024-00461-y (дата обращения: 02.04.2025).
7.Hybrid machine learning model combining of CNN-LSTM-RF for time series forecasting of Solar Power Generation / Mobarak Abumohsen, Amani Yousef Owda, Majdi Owda, Ahmad Abumihsan // e-Prime-Advances in Electrical Engineering, Electronics and Energ. – 2024. – Vol. 9. – P. 100636. – Электрон. копия доступна на сайте журн. URL: https://www.sciencedirect.com/science/article/pii/S277267112400216X (дата обращения: 02.04.2025).
8.Khan D.R. An experimental comparison of classic statistical techniques on univariate time series forecasting / D.R. Khan, A.B. Patankar, A. Khan // Procedia Computer Science. – 2024. – Vol. 235. – P. 2730-2740. – Электрон. копия доступна на сайте журн. URL: https://www.sciencedirect.com/science/article/pii/S1877050924009335 (дата обращения: 02.04.2025).
9.Lin Yang. Progressive neural network for multi-horizon time series forecasting // Information Sciences (USA). – 2024. – Vol. 661. – P. 120112. – Электрон. копия доступна на сайте журн. URL: https://www.sciencedirect.com/science/article/pii/S0020025524000252?via%3Dihub (дата обращения: 02.04.2025).
10.Palit A.K. Computational intelligence in time series forecasting : theory and engineering applications / A.K. Patit, D. Popovic. – London : Springer, cop. 2005. – XXI, 372 p. : ил. – (Advances in industrial control [1430-9491]). – Библиогр. в конце гл. – Указ.: с. 363-372. – Электрон. копия фрагмента доступна в онлайн-б-ке Google Books. URL: (открыть ссылку) (дата обращения: 02.04.2025). Шифр РНБ: Ик 2006-7/246
11.Sivhugwana K.S. An Ensemble Approach to Short-Term Wind Speed Predictions Using Stochastic Methods, Wavelets and Gradient Boosting Decision Trees / K.S. Sivhugwana, E. Ranganai // Wind. – 2024. – Vol. 4, N 1. – P. 44-67. – Электрон. копия доступна на сайте журн. URL: https://www.mdpi.com/2674-032X/4/1/3 (дата обращения: 02.04.2025).
12.Tsitsiashvili G. Sh. Original algorithms of time series emergence / G. Sh. Tsitsiashvili, M.A. Osipova. – Kazan : Buk, 2022. – 77 p.: ил. – Библиогр.: с. 73-77 (47 назв.). – Электрон. копия доступна на сайте науч. электрон. б-ки eLibrary. URL: https://elibrary.ru/item.asp?id=48217741 (дата обращения: 02.04.2025). – Доступ после регистрации. Шифр РНБ: Ик 2022-4/151
13.Yadav A.A. Comparative Study of Time Series, Machine Learning, and Deep Learning Models for Forecasting Global Price of Wheat // Operations Research Forum. – 2024. – Vol. 5, N 4. – P. 113. – Электрон. копия доступна на сайте журн. URL: https://link.springer.com/article/10.1007/s43069-024-00395-9 (дата обращения: 02.04.2025).
Являясь жителем Санкт-Петербурга, Вы можете обратиться за дополнительной информацией к библиографам РНБ.