ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Instrumentation, Mesure, Métrologie

1631-4670
Revue des Systèmes
Nouvel éditeur en 2019
 

 ARTICLE VOL 17/3 - 2018  - pp.443-453  - doi:10.3166/i2m.17.443-453
TITRE
Prévision de séries temporelles de température basée sur un modèle à moyenne mobile intégré et autorégressif

TITLE
Temperature time series prediction based on autoregressive integrated moving average model

RÉSUMÉ

Cet article établit un modèle de prévision pour les séries temporelles de température des terres et des océans sur la base du modèle amélioré à moyenne mobile intégré et autorégressif (ARIMA). Premièrement, les séries temporelles de température ont été normalisées et différenciées avant de réussir le test de stationnaritépar la méthode améliorée Dickey-Fuller (ADF), tandis que les paramètres du modèle ont étédéterminés par le coefficient d’autocorrélation et le coefficient d’auto-corrélation partielle. Après cela, le modèle a été formé par la série de données historiques de température et appliqué pour prévoir les températures dans le futur. Pour valider le modèle, plusieurs expériences ont étémenées à l'aide des données de température moyenne des terres et des océans du Laboratoire national Lawrence Berkeley. Les résultats du modèle basésur ARIMA ont étécomparés àceux de la régression vectorielle (SVR) et de la forêt aléatoire (RF). La comparaison montre que le modèle basésur ARIMA était inférieur de 10% à30% aux valeurs de SVR et de RF dans les valeurs de RMSE et MAE, et supérieur de 1% à10% dans la valeur de R2. Cela signifie que notre modèle a dépasséles deux algorithmes de référence.



ABSTRACT

This paper establishes a prediction model for land and ocean temperature time series based on the improved autoregressive integrated moving average (ARIMA) model. First, the temperature time series was normalized and differenced before passing the stationarity test by augmented Dickey-Fuller (ADF) method, while the model parameters were determined by the autocorrelation coefficient and the partial autocorrelation coefficient. After that, the model was trained by the historical temperature data series, and applied to predict the temperatures in future. To validate the model, several experiments were conducted using the average land and ocean temperature data of Lawrence Berkeley National Laboratory. The results of the ARIMAbased model were contrasted against those of the support vector regression (SVR) and the random forest (RF). The comparison shows that the ARIMA-based model was 10%~30% smaller than the SVR and the RF in the values of RMSE and MAE, and 1%~10% higher in the value of R2. This means our model outperformed the two benchmark algorithms.



AUTEUR(S)
Huanhuan ZHENG, Yuxiu BAI, Yaqiong ZHANG

MOTS-CLÉS
modèle à moyenne mobile intégré et autorégressif (ARIMA), prévision de la température, analyse des séries temporelles, différence, test de stationnarité.

KEYWORDS
autoregressive integrated moving average (ARIMA) model, temperature prediction, time series analysis, difference, stationarity test.

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (408 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier