Вплив прогнозування часових рядів в системі онлайн-бронювання (інтернет) на бібліотеки з використанням логарифмічної лінійної моделі Пуассона

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.254333

Ключові слова:

фінансова система, прогнозування часових рядів, PFO, логарифмічна модель Пуассона, математична модель

Анотація

У даній роботі було досліджено та проаналізовано вплив на прогнозування часових рядів фінансової системи центральної бібліотеки. Для аналізу прогнозування часових рядів бібліотеки, а також для дослідження щомісячного доходу було використано чотири моделі. Дані моделі включають модель сезонної індексації (SIM) та модель прогнозування ARIMA (PARIMA). Крім того, для всіх запропонованих моделей була застосована логарифмічна лінійна модель Пуассона. Результати, засновані на даних моделях, були перевірені на гетероскедастичність. Були використані шість місяців, з січня по червень. Згідно зі статистичним аналізом, в якості методу перевірки використовувався тест на гетероскедастичність. Результати показали, що три моделі пройшли перевірку та готові до використання на наступному етапі процедури. Модель PARIMA має максимальне значення R2, що дорівнює 2,7. Для прогнозування часових рядів за використовуваний період (з січня по червень) застосовувалась певна ефективна модель. За даних індексацій значення лага досягло максимального значення 0,98. У квітні кореляція досягла 0,344. Вказані значення сезонної індексації для обраного часу (шість місяців). Цифри змінювалися від місяця до місяця. Згідно з дослідженням, найвища ступінь індексації припала на квітень, найменша – на червень. Було вивчено лінійний логарифмічний розподіл Пуассона. У моделі SIM середньоквадратична похибка була зареєстрована в межах максимального рівня 0,3. Від початку до кінця року було задокументовано шість місяців (від X1 до X6). Березень місяць був найдевіантнішим. У січні залишкова Dif досягла найбільшого значення 0,092

Біографія автора

Asmaa Mohammed Nasir, Mustansiriyah University

Senior Lecturer

Department of Physics

College of Science

Посилання

  1. Yan, H., Ouyang, H. (2017). Financial Time Series Prediction Based on Deep Learning. Wireless Personal Communications, 102 (2), 683–700. doi: https://doi.org/10.1007/s11277-017-5086-2
  2. Niu, H., Wang, J. (2013). Financial time series prediction by a random data-time effective RBF neural network. Soft Computing, 18 (3), 497–508. doi: https://doi.org/10.1007/s00500-013-1070-2
  3. Zhang, Y., Wang, X., Tang, H. (2019). An improved Elman neural network with piecewise weighted gradient for time series prediction. Neurocomputing, 359, 199–208. doi: https://doi.org/10.1016/j.neucom.2019.06.001
  4. Wang, J., Wang, J., Fang, W., Niu, H. (2016). Financial Time Series Prediction Using Elman Recurrent Random Neural Networks. Computational Intelligence and Neuroscience, 2016, 1–14. doi: https://doi.org/10.1155/2016/4742515
  5. Bai, Y., Jin, X., Wang, X., Su, T., Kong, J., Lu, Y. (2019). Compound Autoregressive Network for Prediction of Multivariate Time Series. Complexity, 2019, 1–11. doi: https://doi.org/10.1155/2019/9107167
  6. Moews, B., Herrmann, J. M., Ibikunle, G. (2019). Lagged correlation-based deep learning for directional trend change prediction in financial time series. Expert Systems with Applications, 120, 197–206. doi: https://doi.org/10.1016/j.eswa.2018.11.027
  7. Wen, J., Yang, J., Jiang, B., Song, H., Wang, H. (2021). Big Data Driven Marine Environment Information Forecasting: A Time Series Prediction Network. IEEE Transactions on Fuzzy Systems, 29 (1), 4–18. doi: https://doi.org/10.1109/tfuzz.2020.3012393
  8. Sapankevych, N., Sankar, R. (2009). Time Series Prediction Using Support Vector Machines: A Survey. IEEE Computational Intelligence Magazine, 4 (2), 24–38. doi: https://doi.org/10.1109/mci.2009.932254
  9. Ahlmann-Eltze, C., Huber, W. (2020). glmGamPoi: fitting Gamma-Poisson generalized linear models on single cell count data. Bioinformatics, 36 (24), 5701–5702. doi: https://doi.org/10.1093/bioinformatics/btaa1009
  10. Alanaz, M. M., Algamal, Z. Y. (2018). Proposed methods in estimating the ridge regression parameter in Poisson regression model. Electronic Journal of Applied Statistical Analysis, 11 (2), 506–515.‏ doi: https://doi.org/10.1285/i20705948v11n2p506
  11. Xu, T., Demmer, R. T., Li, G. (2020). Zero‐inflated Poisson factor model with application to microbiome read counts. Biometrics, 77 (1), 91–101. doi: https://doi.org/10.1111/biom.13272
  12. Gao, G., Wang, H., Wüthrich, M. V. (2021). Boosting Poisson regression models with telematics car driving data. Machine Learning, 111 (1), 243–272. doi: https://doi.org/10.1007/s10994-021-05957-0
  13. Tamba, S. P., Batubara, M. D., Purba, W., Sihombing, M., Mulia Siregar, V. M., Banjarnahor, J. (2019). Book data grouping in libraries using the k-means clustering method. Journal of Physics: Conference Series, 1230 (1), 012074. doi: https://doi.org/10.1088/1742-6596/1230/1/012074
  14. Black, A. (2018). The British Soldier and his Libraries, c. 1822–1901. By Sharon Murphy. The Library, 19 (2), 247–250. doi: https://doi.org/10.1093/library/19.2.247
  15. Askew, B., Brown, A., Christy, M., Gomez, A., Gooch, M., Kubicki, J. M. et. al. (2020). Georgia libraries respond to COVID-19 pandemic. Georgia Library Quarterly, 57 (3).‏ Available at: https://digitalcommons.kennesaw.edu/glq/vol57/iss3/10/
  16. Stepanova, O. (2019). PLRE.Folger: Private Libraries in Renaissance England. Renaissance & Reformation/Renaissance et Reforme, 42 (4), 176–179.
  17. Jin, Z. (2018). Research on Chinese Electronic Book Retrieval in University Libraries. Proceedings of the 2018 2nd International Conference on Education Science and Economic Management (ICESEM 2018). doi: https://doi.org/10.2991/icesem-18.2018.125
  18. Kirichenko, L., Radivilova, T., Bulakh, V. (2019). Binary Classification of Fractal Time Series by Machine Learning Methods. Lecture Notes in Computational Intelligence and Decision Making, 701–711. doi: https://doi.org/10.1007/978-3-030-26474-1_49
  19. Pala, Z., Atici, R. (2019). Forecasting Sunspot Time Series Using Deep Learning Methods. Solar Physics, 294 (5). doi: https://doi.org/10.1007/s11207-019-1434-6
  20. Zhang, X., Lin, Q., Xu, Y., Qin, S., Zhang, H., Qiao, B. et. al. (2019). Cross-dataset time series anomaly detection for cloud systems. 2019 USENIX Annual Technical Conference, 1063–1076. Available at: https://www.usenix.org/system/files/atc19-zhang-xu.pdf
  21. McClary, T., Rawlins, S. (2020). Libraries = Success: NJ Libraries and Schools Conquer Library Card Sign-Up Month. Children and Libraries, 18 (2), 19–21. doi: https://doi.org/10.5860/cal.18.2.19
  22. Hicks, D., Cavanagh, M. F., VanScoy, A. (2020). Social network analysis: A methodological approach for understanding public libraries and their communities. Library & Information Science Research, 42 (3), 101029. doi: https://doi.org/10.1016/j.lisr.2020.101029
  23. Pebesma, E. (2018). Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal, 10 (1), 439. doi: https://doi.org/10.32614/rj-2018-009
  24. Campos-Taberner, M., García-Haro, F. J., Martínez, B., Izquierdo-Verdiguier, E., Atzberger, C., Camps-Valls, G., Gilabert, M. A. (2020). Understanding deep learning in land use classification based on Sentinel-2 time series. Scientific Reports, 10 (1). doi: https://doi.org/10.1038/s41598-020-74215-5
  25. Lim, B., Zohren, S., Roberts, S. (2019). Enhancing Time-Series Momentum Strategies Using Deep Neural Networks. The Journal of Financial Data Science, 1 (4), 19–38. doi: https://doi.org/10.3905/jfds.2019.1.015
  26. Torres, J. F., Galicia, A., Troncoso, A., Martínez-Álvarez, F. (2018). A scalable approach based on deep learning for big data time series forecasting. Integrated Computer-Aided Engineering, 25 (4), 335–348. doi: https://doi.org/10.3233/ica-180580
  27. Boman, C. (2019). An exploration of machine learning in libraries. Library Technology Reports, 55 (1), 21–25.‏ Available at: https://journals.ala.org/index.php/ltr/article/view/6911/9309
  28. Ross, C. S., McKechnie, L. E., Rothbauer, P. M. (2018). Reading still matters: What the research reveals about reading, libraries, and community. ABC-CLIO.‏

##submission.downloads##

Опубліковано

2022-04-28

Як цитувати

Nasir, A. M. (2022). Вплив прогнозування часових рядів в системі онлайн-бронювання (інтернет) на бібліотеки з використанням логарифмічної лінійної моделі Пуассона. Eastern-European Journal of Enterprise Technologies, 2(4 (116), 30–37. https://doi.org/10.15587/1729-4061.2022.254333

Номер

Том 2 № 4 (116) (2022): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2022 Asmaa Mohammed Nasir

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.