Machine Translated by Google

Tại sao ARIMA và SARIMA không đủ

Shixiong Wang, Chongshou Li và Andrew Lim

trừu tượng

Mô hình trung bình di chuyển tự hồi quy (ARMA) chiếm vị trí quan trọng trong phân tích chuỗi thời gian đối với chuỗi thời gian dừng
theo nghĩa rộng. Toán tử sai phân và toán tử sai phân theo mùa, lần lượt là cơ sở của ARIMA và SARIMA (ARIMA theo mùa), được giới thiệu để
loại bỏ xu hướng và thành phần theo mùa để chuỗi thời gian không cố định ban đầu có thể được chuyển thành chuỗi cố định theo nghĩa rộng. ,
sau đó có thể được xử lý bằng phương pháp Box-Jenkins.
Tuy nhiên, hiện nay các toán tử sai phân như vậy mang tính trải nghiệm thực tế hơn là các lý thuyết chính xác. Trong bài báo này, chúng tôi
nghiên cứu sức mạnh của toán tử sai phân (theo mùa) từ góc độ phân tích quang phổ, lý thuyết hệ thống tuyến tính và lọc kỹ thuật số, đồng
thời chỉ ra các đặc điểm và hạn chế của toán tử sai phân (theo mùa). Ngoài ra, phương pháp tổng quát biến một quá trình ngẫu nhiên không
dừng (không dừng theo nghĩa trung bình) thành dừng theo nghĩa rộng sẽ được trình bày.

Điều khoản chỉ mục

Phân tích chuỗi thời gian, toán tử sai phân, phân tích quang phổ, lọc kỹ thuật số, hệ thống tuyến tính.

I. GIỚI THIỆU

Một trong những chủ đề hấp dẫn của phân tích chuỗi thời gian là phân tích vật lý cơ chế/động lực bên trong của một hệ thống tạo ra chuỗi thời gian tập trung

và sau đó xây dựng một mô hình toán học thích hợp để mô tả động lực học của hệ thống này để chúng ta có thể dự đoán tương lai một cách thỏa mãn. sự chính xác.

Nói chung, chuỗi thời gian như vậy là một quá trình ngẫu nhiên chứ không phải là quá trình xác định, điều này làm cho vấn đề trở nên phức tạp hơn.

Khi nói đến mô hình hóa quy trình ngẫu nhiên, phương pháp Box-Jenkins nổi tiếng [1], còn được gọi là mô hình ARMA và ARIMA, nổi bật. Triết lý của mô hình ARMA

là từ định lý Phân rã của Wold [2]. Định lý này ủng hộ rằng mô hình ARMA đủ về mặt toán học để mô tả một quá trình ngẫu nhiên dừng có nghĩa rộng (WSS). Sau mô

hình hóa, phương pháp bình phương tối thiểu, phương pháp khả năng tối đa và phương pháp ước lượng phổ et al. có thể được sử dụng để ước tính các tham số của mô

hình dựa trên các mẫu chuỗi thời gian được thu thập. Kết quả là, chúng ta có thể sử dụng thông tin trong quá khứ (tức là các mẫu đã thu thập) để xây dựng lại động

lực cơ bản của quá trình ngẫu nhiên tập trung và tiếp tục đưa ra dự đoán thỏa đáng. Để bổ sung cho ARMA, ARIMA (tương ứng SARIMA) nhằm mục đích chuyển đổi quá

trình ngẫu nhiên không cố định tập trung (theo nghĩa trung bình) thành toán tử dừng theo sự khác biệt (tương ứng với sự khác biệt theo mùa) với thứ tự thích hợp

để chuỗi thời gian kết quả có thể được đưa vào mô hình ARMA. Do đó, trong phương pháp Box-Jenkins, thành phần có thể dự đoán được của một quy trình WSS trong một

lần thực hiện được coi là xu hướng của thành phần thông thường của cùng một quy trình WSS có thể được loại bỏ bằng toán tử chênh lệch hoặc chênh lệch theo mùa.

Để ngắn gọn về ký hiệu, chúng tôi gọi chung ARIMA và SARIMA là S-ARIMA.
arXiv:1904.07632v3

Tuy nhiên, những toán tử sai phân như vậy mang tính kinh nghiệm nhiều hơn là những lý thuyết chính xác. Vì vậy, chúng ta không biết tại sao chúng hoạt động

tốt ở nơi nào đó và không hiệu quả ở nơi khác. Để đạt được mục đích này, trong bài báo này, chúng tôi hướng đến việc nghiên cứu sức mạnh của toán tử sai phân
[stat.AP]

(theo mùa) từ góc độ phân tích quang phổ, lý thuyết hệ thống tuyến tính và lọc kỹ thuật số, đồng thời chỉ ra các đặc điểm và hạn chế của toán tử sai phân (theo

mùa) và S -ARIMA chờ đã. Ngoài ra, toán tử tổng quát dùng để biến đổi một quá trình ngẫu nhiên không dừng (theo nghĩa trung bình) thành dừng theo nghĩa rộng sẽ
tháng

được trình bày.

2021
Ngày
năm

Cuối cùng, chúng tôi sẽ trình bày phương pháp tổng thể để dự đoán quá trình ngẫu nhiên không cố định, đó là sự tổng quát hóa của S-ARIMA và được gọi là ARMA-SIN.
3
2

Các cuộc thảo luận của chúng tôi sẽ dựa trên Lý thuyết hệ thống tuyến tính, Phân tích quang phổ và Lọc kỹ thuật số. Để biết thông tin sơ bộ về các chủ đề đó, hãy

tham khảo [3], [4], [5].

Phần II định nghĩa một số ký hiệu. Trong Phần III, chúng tôi xem xét một số thông tin ban đầu về quy trình ngẫu nhiên và giải thích cơ sở lý luận đằng sau

phương pháp Box-Jenkins (tức là phương pháp S-ARIMA). Trong Phần IV, một số ví dụ được đưa ra để chỉ ra những điểm yếu của S-ARIMA và những ưu điểm của ARMA-SIN

so với S-ARIMA, cũng như sự hiểu biết trực quan cho người đọc. Trong Phần V, chúng tôi sẽ giải thích lý do toán học tại sao S-ARIMA lại có ý nghĩa và chỉ ra những

thiếu sót về mặt lý thuyết của nó. Cuối cùng, trong Phần VI, phương pháp ARMA-SIN chung sẽ được trình bày, và trong Phần VII, chúng tôi sẽ giải thích một cách

phân tích và rút ra các phương pháp mà chúng tôi đã trình bày trong Phần IV khởi động. Các thuật ngữ quan tâm trong bài viết này được đặt trong Phụ lục.

Nhận xét 1: Khi đề cập đến sự thiếu sót của S-ARIMA, thực ra chúng tôi muốn nói đến sự thiếu sót về mặt lý thuyết của nó thay vì độ chính xác dự đoán trong

một số trường hợp cụ thể. Điều này là do mô hình chính xác chỉ hoạt động tốt hơn các mô hình khác khi vấn đề

S. Wang và A. Lim làm việc tại Khoa Quản lý và Kỹ thuật Hệ thống Công nghiệp, Đại học Quốc gia Singapore. E-mail: s.wang@u.nus.edu; isealim@nus.edu.sg.

Chongshou Li từng làm việc tại Khoa Kỹ thuật và Quản lý Hệ thống Công nghiệp, Đại học Quốc gia Singapore, Singapore 117576. Ông hiện làm việc tại Trường
Khoa học và Công nghệ Thông tin, Viện Trí tuệ Nhân tạo, Đại học Giao thông Tây Nam, Thành Đô 611756, Trung Quốc (e-mail : cslichina2020@outlook.com).

Công trình này được hỗ trợ bởi Quỹ nghiên cứu quốc gia Singapore theo khoản tài trợ NRF-RSS2016-004.
Machine Translated by Google
2

là chính xác. Ví dụ: nếu dữ liệu được tạo từ hàm tuyến tính có nhiễu trắng Gaussian đủ nhỏ thì mô hình hồi quy tuyến tính sẽ tốt hơn bất kỳ mô hình hồi quy đa

thức bậc cao nào khác. Tuy nhiên, chúng ta không thể khẳng định rằng mô hình tuyến tính luôn là tốt nhất. Lưu ý rằng chuỗi thời gian tập trung, cụ thể là bài

toán mà chúng tôi nghiên cứu trong bài viết này, là một quá trình ngẫu nhiên dừng theo nghĩa rộng. Do đó, mô hình ARMA, theo định lý Phân rã của Wold [2], là mô

hình chính xác tương ứng, nghĩa là toán tử làm cho chuỗi thời gian ban đầu chính xác như văn bản tĩnh theo nghĩa rộng sẽ tốt hơn, vì vấn đề cuối cùng là huấn

luyện mô hình ARMA. Theo nghĩa này, chúng tôi khẳng định mô hình S-ARIMA là không đủ.

II. KÝ HIỆU

Trước khi bắt đầu, chúng ta nên xác định một số ký hiệu hữu ích ở đây.

1) Cho v = a : l : b xác định một vectơ v có giới hạn dưới a, giới hạn trên b và độ dài bước l. Ví dụ: v = 0 : 0,1 : 0,5

có nghĩa là a = 0, b = 0,5 và l = 0,1. Vậy v = [0, 0,1, 0,2, 0,3, 0,4, 0,5]T ;
2) Giả sử hàm length(x) trả về độ dài của vectơ x. Ví dụ: nếu x = [1, 2, 3]T , chúng ta có length(x) = 3; 3) Gọi t là biến thời gian
liên tục và n là biến thời gian rời rạc tương ứng. Ví dụ: nếu t = 0 : 0,5 : 100 (khoảng thời gian là 100s và thời gian lấy mẫu là Ts =

0,5s), chúng ta sẽ có n = t/Ts = 0 : 1 : length(t) 1 = 0 : 1 : 200; gọi N = chiều dài(n);

4) Gọi x là chuỗi thời gian quan tâm; 5) Cho

randn(N) trả về một chuỗi trắng Gaussian (trung bình bằng 0, phương sai là một) có độ dài N; 6) Giả sử ARMA(p,
q|ϕ, θ) xác định một quá trình ARMA với bậc tự hồi quy là p và bậc trung bình động là q. Bên cạnh đó,
các vectơ hệ số ϕ và θ lần lượt là phần tự hồi quy và phần trung bình động;

7) Giả sử toán tử y = H(x|a, b) định nghĩa một phương trình sai phân (hay còn gọi là hệ tuyến tính) như sau

a0yk + a1yk 1 + a2yk 2 + ... + apyk p = b0xk + b1xk 1 + b2xk 2 + ... + bqxk q, (1)

trong đó a, b là các vectơ và length(a) = p + 1, length(b) = q + 1.

III. LÝ DO đằng sau phương pháp S-ARIMA

Định nghĩa 1 (Quy trình ngẫu nhiên WSS [2]): Một quy trình ngẫu nhiên có giá trị thực x(t) là WSS nếu nó thỏa mãn:

• Giá trị trung bình bất biến: E{x(t)} = η, trong đó η là hằng

số; • Tự tương quan bất biến: E{x(t1)x(t2)} = E{x(t1 + τ )x(t1)} = R(τ ), nghĩa là nó chỉ phụ thuộc vào τ := t2 t1, không có gì làm với
t1.
2
Tự tương quan bất biến ngay lập tức thừa nhận Phương sai bất biến, vì E{x(t)} = R(0).
Định lý 1 (Định lý phân rã Wold [2]): Bất kỳ quá trình ngẫu nhiên WSS x(n) nào cũng có thể được phân tách thành hai quy trình con: (a)
Quy trình thông thường; và (b) Quá trình có thể dự đoán được. Cụ thể là

x(n) = xr(n) + xp(n), (2)

trong đó xr(n) là một quy trình thông thường và xp(n) là một quy trình có thể dự đoán được. Hơn nữa, hai quá trình này trực giao (ngụ ý không
tương quan): E{xr(n + τ )xp(n)} = 0.
Các khái niệm chi tiết về Quy trình thông thường (còn gọi là quy trình Rational-Spectra từ góc độ phân tích quang phổ) và Quy trình có thể dự đoán (còn gọi là quy trình Quang phổ

đường) có thể được tìm thấy trong [2]. Về mặt trực quan, một quy trình thông thường có dạng toán học là jwin đối với một số nguyên không âm m trong đó wi xr(n) = ARMA(p, q) và một quy
tôi
tần số rời rạc không ngẫu nhiên [3] với w0 = 0, Eci = 0, Ecic = αi > 0. Lưu ý rằng j jwin không liên quan gì đến trình có thể dự đoán được là xp(n) = i=0 cie = 0 khi i = j và Ec2 là các

thời gian
các hệ số ngẫu nhiên ci của số mũ có giá trị phức e được xác định trước n = 0 [tức là, ci không thay đổi theo thời gian nhưng
n. Điều đó có
chúng nghĩa
thay đổi là ci là
trong mỗi cách thể hiện khác nhau của x(n)].
Tôi

coi là một xu hướng xác định nhưng có giá trị khác 0 [có thể bị loại bỏ bởi toán tử sai phân Do đó, trong một lần hiện thực hóa x(n), thành phần xp(n) có thể dự đoán được có thể được

(theo mùa)] của thành phần thông thường xr( N). Điều này giải thích tại sao phương pháp S-ARIMA là hợp lý cho bất kỳ quy trình ngẫu nhiên WSS nào: nếu quy trình ngẫu nhiên WSS này là

thông thường, chúng tôi trực tiếp sử dụng mô hình ARMA để phù hợp; nếu nó chứa thành phần có thể dự đoán được thì chúng tôi sẽ sử dụng S-ARIMA.

IV. KỊCH BẢN KHỞI ĐỘNG

Để giúp người đọc hiểu một cách trực quan, trong phần này chúng tôi cung cấp một số kịch bản mô phỏng để minh họa sự thiếu sót về mặt lý
thuyết mà S-ARIMA nắm giữ. Cùng với đó, các giải pháp đối ứng do ARMA-SIN đưa ra cũng sẽ được trình diễn.
Sau phần khởi động này, trong các phần tiếp theo, chúng tôi sẽ trình bày chi tiết dần dần về động cơ, triết lý, toán học và phương pháp tạo
ra các giải pháp ARMA-SIN hữu ích như vậy.
Machine Translated by Google
3

A. Chuỗi sự thật cơ bản của ARMA

Chúng tôi tạo ra một chuỗi ARMA để phân tích sau. Không mất tính tổng quát, ta đặt tùy ý

θ = [13, 5, 6]T
(3)
ϕ = [40, 2, 3, 6, 9]T ,

nghĩa là chuỗi thời gian được tạo từ chuỗi trắng Gaussian k được đưa ra như

40x 0 + 2x 0 + 3x 0 + 6x 0 + 9x 0 (4)
k k 1 k 2 k 3 k 4 = 13k + 5k 1 + 6k 2,

0
trong đó k biểu thị chỉ số thời gian rời rạc (cụ thể là k n) và x k := 0, k := 0 nếu k < 0. Tuy nhiên, hệ tuyến tính rời rạc này
được đảm bảo ổn định ở pha tối thiểu [3]. Nghĩa là nó ổn định và ổn định nghịch đảo.
0 0
Do đó, nếu chuỗi thời gian thô tập trung là x = f(x ) (ví dụ x = x + n, tức là xu hướng tuyến tính), toán tử đó
0
biến đổi chính xác x thành thành phần cố định có nghĩa rộng x nên là tốt nhất Điều này là do mục đích cuối cùng của chúng tôi là sử dụng
và x 0 các
Mô hình ARMA phù hợp với chuỗi chuyển đổi. Gọi xˆ 0 là chuỗi biến đổi từ x. Càng gần giữa xˆ 0 ,
tốt hơn. Để biết thêm, xem Ghi chú 1.

B. Trường hợp biến thể trung bình

Trong tiểu mục này, chúng tôi điều tra một kịch bản có giá trị trung bình biến thể, ngụ ý rằng nó không cố định theo nghĩa trung bình. Cho phép
0
t = 0 : 0,5 : 100 (viz., Ts = 0,5), n = t/Ts, và x = x + 0,1t. Nó có nghĩa là thành phần xu hướng là một hàm tuyến tính.
Nếu chúng ta làm theo quy trình lập mô hình tiêu chuẩn với phương pháp Box-Jenkins (ARIMA) [6], [7], [1], [8], chúng ta có ước tính
Mô hình ARIMA(4,1,2) để giải quyết vấn đề này, nghĩa là toán tử được sử dụng là sai phân bậc một. Thay vào đó, nếu chúng ta sử dụng
Phương pháp ARMA-SIN, ta có

0 xˆ = H(x|a, b), (5)

Ở đâu

a = [1, 1,7101, 1,3712, 0,3152]T ,

b = [0,6226, 1,5757, 1,5757, 0,6226]T ,

0
và phần ARMA để tính xấp xỉ x là ARMA(4,1). Kết quả của hai phương pháp được thể hiện trong Hình 1.

2
ARIMA (khác biệt thứ tự đầu tiên)
ARIMA (khác biệt thứ tự đầu tiên)

Giá trị thực Giá trị thực

1
ARMA-TỘI ARMA-TỘI

0,5

0
0

-1
-0,5

-2
0 50 100 150 200 10 20 30 40 50 60 70
Bước thời gian Bước thời gian

(a) Chuỗi biến đổi (b) Chuỗi được chuyển đổi (mở rộng cục bộ)

Giá trị thực (quá khứ) Giá trị thực (quá khứ)
10 10,5
Giá trị thực (tương lai) Giá trị thực (tương lai)

ARIMA (khác biệt thứ tự đầu tiên) ARIMA (khác biệt thứ tự đầu tiên)
số 8
ARMA-TỘI ARMA-TỘI
10

6
9,5
4

9
2

8,5
0

-2 số 8

0 50 100 150 200 170 175 180 185 190 195 200
Bước thời gian Bước thời gian

(c) Kết quả dự đoán (d) Kết quả dự đoán (mở rộng cục bộ)

Hình 1. Chuỗi biến đổi và kết quả dự đoán cho giá trị trung bình biến thể (khác biệt: chênh lệch).

Ngoài ra, chúng ta có 100 lần mô phỏng monte carlo và MSE dự đoán trung bình được đưa ra trong Bảng I. Rõ ràng,
chuỗi biến đổi xˆ 0 của ARMA-SIN gần với giá trị cơ bản nhất của nó x 0
hơn của ARIMA. Do đó độ chính xác của dự đoán là
thỏa đáng hơn.
Machine Translated by Google
4

BẢNG I
DỰ ĐOÁN TRUNG BÌNH MSE CỦA ARIMA VÀ ARMA-SIN CHO TRUNG BÌNH BIẾN THỂ

ARIMA ARMA-SIN
MSE 0,0977 0,0203

C. Trường hợp sử dụng SARIMA

Trong tiểu mục này, chúng tôi nghiên cứu một kịch bản phù hợp để sử dụng SARIMA. Đặt t = 0 : 0,1 : 50 (viz., Ts = 0,1),
0
n = t/Ts, và x = x + tội lỗi(5t). Nó có nghĩa là thành phần xu hướng là một hàm sin.
Nếu chúng ta làm theo quy trình lập mô hình tiêu chuẩn với phương pháp Box-Jenkins (ARIMA), chúng ta có SARIMA(4,1,1)(12,1,0,0) ước tính
mô hình để xử lý vấn đề này, nghĩa là toán tử được sử dụng là sai phân theo mùa 12 độ trễ. Thay vào đó, nếu chúng ta sử dụng ARMA-SIN
phương pháp, chúng tôi có

xˆ0 = H(x|a, b), (6)

Ở đâu

a = [1, 5,1801, 11,8864, 15,30778, 11,6563, 4,9815, 0,9430]T ,

b = [0,9713, 5,0804, 11,7716, 15,3086, 11,7716, 5,0804, 0,9713]T ,

0
và phần ARMA để tính xấp xỉ x là ARMA(4,1). Kết quả của hai phương pháp được thể hiện trong Hình 2.

2
ARIMA (s-diff thứ tự đầu tiên)
ARIMA (s-diff thứ tự đầu tiên)
0,6 Giá trị thực
Giá trị thực
ARMA-TỘI
ARMA-TỘI
1
0,4

0,2
0
0

-1 -0,2

-0,4

-2
0 100 200 300 400 500 240 260 280 300 320 340 360 380
Bước thời gian Bước thời gian

(a) Chuỗi biến đổi (b) Chuỗi được chuyển đổi (mở rộng cục bộ)

2
Giá trị thực (quá khứ) Giá trị thực (quá khứ)
1
Giá trị thực (tương lai) Giá trị thực (tương lai)

ARIMA (s-diff thứ tự đầu tiên) ARIMA (s-diff thứ tự đầu tiên)

1 ARMA-TỘI ARMA-TỘI
0,5

0
0

-0,5
-1

-1

-2
0 100 200 300 400 500 400 420 440 460 480 500
Bước thời gian Bước thời gian

(c) Kết quả dự đoán (d) Kết quả dự đoán (mở rộng cục bộ)

Hình 2. Chuỗi biến đổi và kết quả dự đoán của SARIMA và ARMA-SIN (s-diff: chênh lệch theo mùa).

Ngoài ra, chúng ta có 100 lần mô phỏng monte carlo và MSE dự đoán trung bình được đưa ra trong Bảng II. Rõ ràng,

BẢNG II
DỰ ĐOÁN TRUNG BÌNH MSE CỦA SARIMA VÀ ARMA-SIN

ARIMA ARMA-SIN
MSE 0.1022 0,0516

chuỗi biến đổi xˆ 0 của ARMA-SIN gần với giá trị cơ bản nhất của nó x 0
hơn SARIMA. Do đó độ chính xác của dự đoán là
thỏa đáng hơn.
Machine Translated by Google
5

D. Trường hợp ước lượng trực tiếp thành phần mùa vụ

Trong tiểu mục này, chúng tôi nghiên cứu một kịch bản mà chúng tôi có thể ước tính trực tiếp thành phần theo mùa. Đặt t = 0 : 0,1 : 10 (viz.,
0
Ts = 0,1), n = t/Ts và x = x + f(t), trong đó f(t) = sin(2t). Mục đích của chúng ta là ước tính trực tiếp hàm sin(2t)
từ dữ liệu lịch sử được thu thập.

Nếu chúng ta sử dụng phương pháp ARMA-SIN, chúng ta có thể biết rằng f(x) có dạng như sau:

ˆf(t) = 0,9721cos(0,2001n 1,5440)

= 0,9721cos(0,2001t/Ts 1,5440) (7)

= 0,9721cos(2,001t 0,4945π)

Nó gần với chân lý cơ bản của nó một cách đáng ngạc nhiên là f(t) = sin(2t) = cos(2t π/2) = cos(2t 0,5π).
Nếu chúng ta làm theo quy trình lập mô hình tiêu chuẩn với phương pháp Box-Jenkins, chúng ta có SARIMA(4,0,1)(31,0,0,0) ước tính

mô hình để xử lý vấn đề này, nghĩa là toán tử được sử dụng là sai phân theo mùa có độ trễ 31.

Kết quả của hai phương pháp được thể hiện trong Hình 3.

1
0,6
ARIMA (s-diff thứ tự đầu tiên) ARIMA (s-diff thứ tự đầu tiên)

Giá trị thực Giá trị thực

ARMA-TỘI ARMA-TỘI
0,4
0,5

0,2

0
0

-0,5 -0,2

-0,4
-1
0 20 40 60 80 100 40 50 60 70 80 90
Bước thời gian Bước thời gian

(a) Chuỗi biến đổi (b) Chuỗi được chuyển đổi (mở rộng cục bộ)

2
Giá trị thực (quá khứ) Giá trị thực (quá khứ)

Giá trị thực (tương lai) 1 Giá trị thực (tương lai)

ARIMA (s-diff thứ tự đầu tiên) ARIMA (s-diff thứ tự đầu tiên)

1 ARMA-TỘI ARMA-TỘI
0,5

0 0

-0,5
-1

-1

-2
0 20 40 60 80 100 75 80 85 90 95 100
Bước thời gian Bước thời gian

(c) Kết quả dự đoán (d) Kết quả dự đoán (mở rộng cục bộ)

Hình 3. Chuỗi biến đổi và kết quả dự đoán của ước lượng trực tiếp.

Ngoài ra, chúng ta có 100 lần mô phỏng monte carlo và MSE dự đoán trung bình được đưa ra trong Bảng III.

BẢNG III
DỰ ĐOÁN TRUNG BÌNH MSE CỦA ƯỚC TÍNH TRỰC TIẾP

SARIMA ARMA-SIN
MSE 0,0844 0,0355

0
Rõ ràng, chuỗi biến đổi xˆ 0 của ARMA-SIN gần với chân lý cơ bản của nó x hơn hơn SARIMA. Như vậy, việc dự đoán

độ chính xác là thỏa đáng hơn.

Bằng trực quan, chúng ta có thể thấy từ ba ví dụ trên rằng phương pháp ARMA-SIN thực sự thú vị hơn S-ARIMA

phương pháp. Trong các phần sau, chúng tôi sẽ giải thích dần dần triết lý đằng sau và trình bày chi tiết về phương pháp ARMA-SIN.

V. BÍ MẬT ĐẰNG SAU ARIMA VÀ SARIMA

A. Bản chất của toán tử sai phân và toán tử sai phân mùa

Như đã đề cập ở phần trước, ARIMA và SARIMA cố gắng biến tính dừng thành một quá trình ngẫu nhiên bằng cách khác nhau

toán tử và toán tử chênh lệch theo mùa. Trong phần này chúng ta sẽ nghiên cứu bản chất của ARIMA và SARIMA từ

quan điểm của SADFA (xem Phụ lục). Cụ thể, chúng ta nên chú ý đến bản chất của toán tử sai phân và

toán tử chênh lệch mùa.

Machine Translated by Google
6

Định lý 2: Bản chất của toán tử sai phân bậc d thực chất là một bộ lọc số thông cao loại bỏ các thành phần tần số thấp của chuỗi thời gian. Do xu hướng của chuỗi

thời gian nói chung là các thành phần tần số thấp (xem Biến đổi Fourier rời rạc [3]), nên toán tử sai phân bậc d có ý nghĩa khi biến tính dừng thành một quá trình

ngẫu nhiên không dừng (theo nghĩa trung bình).

Chứng minh 1: Hàm truyền của toán tử sai phân bậc d được cho là

1 d
H(z) = (1 z ) , (số 8)

và đáp ứng biên độ-tần số là như

d
|H(e jw)| = |(1 e jw) | = [ 2 2 cos(w)]d . (9)

phương trình. (9) thừa nhận ngay định lý, vì trong khoảng [0, π], |H(e jw)| đang tăng lên từ số không. Bằng trực giác, xem hình
4.

2,5

15
2

1,5
10

biên
tần
độ-
ứng
Đáp
5

số
0,5
biên
tần
độ-
ứng
Đáp
số

0 0 :/3 2:/3 : 4:/3 5:/3 2: 0 0 :/3 2:/3 : 4:/3 5:/3 2:

w w
(a) Toán tử chênh lệch 1 bậc (b) Toán tử sai phân 4 bậc

Hình 4. Đáp ứng biên độ-tần số của toán tử sai phân.

Định lý 3: Bản chất của toán tử sai phân mùa L-lag (L-SDO) thực chất là một bộ lọc số lược loại bỏ một số thành phần tần số với
w = 2kπ/L, k = 0, 1, 2, ..., L 1 Vì các thành phần mùa (cụ thể là các thành phần tuần hoàn) có chu kỳ L cũng có chu kỳ L trong
quang phổ của nó (nghĩa là tần số của các thành phần mùa là w = 2kπ/L, k = 0, 1, 2, ..., L 1. , xem Chuỗi Fourier rời rạc [3]),
toán tử sai phân độ trễ L có ý nghĩa để làm cho tính dừng trở thành một quá trình ngẫu nhiên không dừng (theo nghĩa trung bình).

Chứng minh 2: Hàm truyền của toán tử sai phân mùa L-lag được cho là

L
H(z) = 1 z , (10)

và đáp ứng biên độ-tần số là như

|H(e jw)| = |1 e jLw|

= |[1 cos(Lw)] + j sin(Lw)| (11)
= 2 2 cos(Lw).

phương trình. (11) thừa nhận ngay định lý, vì trong khoảng [0, π], |H(e jw)| có giá trị bằng 0 tại w = 2kπ/L, k = L 1. Theo
3, ..., trực giác, chúng ta xét một chuỗi sin x(n) với chu kỳ L = 12 (t = 0 : 2π/L : 100) và lấy độ trễ 12 0 , 1, 2,
chênh lệch theo mùa trên đó. Kết quả được minh họa trong Hình 5.

100 số 8

FFT của x(n)

FFT của x(n) Đáp ứng tần số khuếch đại của L-SDO
80
Đáp ứng tần số khuếch đại của L-SDO 6

60
4

40
biên
tần
độ-
ứng
Đáp
số

2
biên
tần
độ-
ứng
Đáp
số

20

0 0 :/3 2:/3 : 4:/3 5:/3 2: 0 0 :/3 2:/3 : 4:/3 5:/3 2:

w w
(a) Hình ảnh đầy đủ (b) Mở rộng cục bộ

Hình 5. FFT của x(n) và đáp ứng Biên độ-tần số của toán tử chênh lệch mùa có độ trễ L.

Nhận xét 2: Hãy nhớ lại rằng trong miền tần số Fourier rời rạc, mọi |H(e jw)| tuần hoàn trên w và chu kỳ là 2π. Vì tần số
cao nhất được biểu thị bằng w = π và thấp nhất là w = 0 và w = 2π nên chúng ta chỉ nên chú ý đến khoảng thời gian
Machine Translated by Google
7

[0, 2π]. Xu hướng của chuỗi thời gian thường ở khoảng tần số thấp (khoảng w = 0 và w = 2π) với các giá trị lớn (ví dụ: xem Hình 6
(a), w dưới π/6). Ngoài ra, theo Chuỗi Fourier rời rạc [3], thành phần theo mùa có các xung phân bố đều (cách đều nhau) trong toàn
miền tần số w [0, π] (ví dụ: xem Hình 7 (a), xung quanh w = π/6 ). Do đó, trong miền tần số, chúng tôi mong muốn loại bỏ tất cả
các giá trị ngoại lệ này để chuỗi thời gian được chuyển đổi sẽ trở nên dừng.
Nhận xét 3: Lưu ý rằng nếu thành phần mùa của chuỗi thời gian hoàn toàn là hàm sin thì nó chỉ có một xung trong phổ của nó vì các
xung khác có giá trị bằng 0. Để biết thêm, hãy xem Chuỗi Fourier rời rạc [3]. Đây là lý do tại sao Hình 7 (a) chỉ có một xung mà
không phải nhiều xung.

B. Tại sao ARIMA và SARIMA không đủ

Đến nay, Định lý 2 và Định lý 3 đã chứng minh tính hiệu quả của S-ARIMA ở đâu đó. Tuy nhiên, rõ ràng là ngoại trừ các tần số không
mong muốn, toán tử sai phân bậc d của ARIMA và toán tử sai lệch mùa có độ trễ L của SARIMA cũng tác động tiêu cực đến các tần số mong
muốn nên không thay đổi, ví dụ các tần số cao hơn w = π/3 trong Hình 4 đã được khuếch đại đáng kể và không mong muốn, đồng thời các
tần số tại và xung quanh w = 2kπ/12, k = 0, 2, 3, ...11, (tức là k = 1) trong Hình 5 cũng bị xóa một cách không mong muốn xa. Điều
này làm tăng sự thiếu hụt của S-ARIMA. Như vậy ta có Định lý 4.
Định lý 4: Mô hình ARIMA và SARIMA về mặt lý thuyết là không đủ vì chúng cũng tác động tiêu cực (làm biến dạng hoặc loại bỏ) các
thành phần tần số mong muốn (điểm hoặc khoảng).
Chứng minh 3: Do Định lý 2, Định lý 3 và chính phát biểu trong định lý này nên kết luận là đúng.
Nhận xét 4: Mặc dù ARIMA và SARIMA về mặt lý thuyết là không đủ nhưng chúng là những phương pháp dễ dàng nhất để giải quyết các vấn đề không dừng trong thực tế.

Điều đó có nghĩa là thay vì thiết kế một số toán tử thích hợp hơn (nhưng phức tạp hơn) để biến chuỗi thời gian dừng thành một chuỗi thời gian, chúng ta có thể chọn

toán tử sai phân (theo mùa) để đơn giản, nếu hiệu suất thỏa mãn đối với một số vấn đề cụ thể trong kỹ thuật. Chính sự đơn giản của các toán tử sai phân như vậy đã

khiến chúng trở nên phổ biến trong kỹ thuật qua nhiều năm.

VI. MÔ HÌNH ARMA-SIN CHUNG

Theo Định lý 1, bất kỳ chuỗi thời gian WSS nào cũng có hai thành phần: phần ARMA và phần tổng hàm mũ có giá trị phức (tức là tổng
các hàm thời gian sin). Do đó, mô hình ARMA-SIN dành cho chuỗi thời gian không cố định tổng quát trong đó SIN có nghĩa là tổng các
hàm SINe. Ngoài ra, phân tích của chúng tôi trong bài viết này dựa trên SADFA (phương pháp phân tích quang phổ và lọc kỹ thuật số) và
phương pháp Box-Jenkins. Cụ thể hơn, khi chúng ta có một chuỗi thời gian tổng quát, trước tiên chúng ta sử dụng SADFA để chuyển đổi
nó thành chuỗi dừng theo nghĩa rộng và sau đó sử dụng phương pháp Box-Jenkins để mô hình hóa chuỗi chuyển đổi. Do đó, thuật ngữ ARMA-
SIN trong bài viết này cũng được dùng để chỉ phương pháp phân tích chuỗi thời gian trong đó SIN dành cho SADFA và ARMA dành cho
phương pháp Box-Jenkins.
Trong Thuật toán 1, chúng tôi trình bày chi tiết về phương pháp của ARMA-SIN.

Thuật toán 1 ARMA-SIN

1: Phân tích quang phổ: chuyển đổi chuỗi thời gian tập trung thành miền tần số Fourier và xác định các điểm tần số xung (hoặc
khoảng) trong miền tần số. Thông thường, các điểm cho các thành phần theo mùa và khoảng (vùng tần số thấp quanh w = 0) cho xu
hướng; 2: Lọc kỹ thuật số:
thiết kế bộ lọc kỹ thuật số phù hợp với tần số cắt phù hợp sao cho chuỗi thời gian tập trung có thể được đặt ở trạng thái cố định.
Lý tưởng nhất là bộ lọc kỹ thuật số thích hợp như vậy chỉ nên loại bỏ các điểm hoặc khoảng tần số không mong muốn trong khi giữ
nguyên phần còn lại; 3: ARMA:
tuân theo phương pháp Box-Jenkins tiêu chuẩn để mô hình hóa phần dư tĩnh (chuỗi thời gian được chuyển đổi) dưới dạng
ARMA một;
4: Dự báo: dự đoán tương lai với hai quy trình độc lập, phần ARMA và phần xu hướng (và/hoặc theo mùa), sau đó tích hợp các kết quả
lại với nhau. Lưu ý rằng chuỗi thời gian thô trừ đi phần còn lại ARMA sẽ cho ra phần xu hướng (hoặc theo mùa).

Nhận xét 5: Như chúng ta có thể thấy, ARIMA và SARIMA là các trường hợp đặc biệt của Thuật toán 1. Đối với ARIMA, bộ lọc kỹ thuật số mà chúng ta sử dụng chỉ là

toán tử sai phân (nghĩa là trường hợp đặc biệt của các bộ lọc thông tần cao, nghĩa là một bộ lọc dừng tần số thấp) để loại bỏ (dừng) phần xu hướng tần số thấp.

Đối với SARIMA, bộ lọc kỹ thuật số mà chúng tôi sử dụng chỉ là toán tử sai phân theo mùa (tức là trường hợp đặc biệt của bộ lọc lược, tức là bộ lọc dừng tần số

điểm cố định) để loại bỏ (dừng) các xung tần số trong miền tần số.

VII. XUẤT HIỆN GIẢI PHÁP CHO CÁC KỊCH BẢN KHỞI ĐỘNG

Trong phần này, chúng tôi sẽ trình bày chi tiết cách rút ra lời giải của các kịch bản khởi động ở Phần IV. Để ngắn gọn, chúng tôi
sẽ không lặp lại các quy trình lập mô hình tiêu chuẩn của phương pháp Box-Jenkins [1]. Tất cả các bộ lọc mà bài báo này thiết kế đều
dựa trên mô hình IIR (đáp ứng xung vô hạn) và phương pháp Elliptic [3].
Machine Translated by Google
số 8

Nhận xét 6: Thông thường, ngay từ cái nhìn đầu tiên, rất khó để quyết định các tham số tốt nhất như tần số giới hạn cho một bài toán tổng quát.

Tuy nhiên, đôi khi chúng ta có thể thử với các thông số hợp lý và chọn ra thông số tốt nhất trong số đó. Điều này có vẻ tẻ nhạt nhưng

không thể tránh khỏi trong thực tế vì không có bữa trưa miễn phí, phương pháp tiên tiến đồng nghĩa với việc mã hóa phức tạp, lựa chọn tham số phức tạp

và/hoặc gánh nặng tính toán phức tạp. Theo nghĩa này, việc sử dụng toán tử sai phân đơn giản (theo mùa) có vẻ thực sự thú vị đối với

tất cả chúng ta. Tuy nhiên, đánh đổi là những màn trình diễn không đạt yêu cầu và sự bất lực ở đâu đó.

A. Trường hợp biến thể trung bình

Chuỗi thời gian được hiển thị trong Hình 1 (c). Xu hướng là tuyến tính. Theo lý thuyết Biến đổi Fourier rời rạc, tuyến tính

xu hướng có thể được biểu diễn bằng tổng hữu hạn của các hàm sin với sai số xấp xỉ chấp nhận được. Để tách (trích xuất)

xu hướng tuyến tính, chúng ta nên thiết kế bộ lọc thông cao để ngăn chặn thành phần (xu hướng) tần số thấp đi qua và cho phép

thành phần tần số cao đi qua mà không có bất kỳ thay đổi nào. Vì chúng tôi sử dụng phương pháp Elliptic để thiết kế bộ lọc IIR (

hàm ellipord trong MATLAB, tham khảo thêm tại trang tham khảo [9]), ta thiết lập các tham số ở Bảng IV.

BẢNG IV
CÁC THAM SỐ LỌC CHO TRƯỜNG HỢP BIẾN THỂ TRUNG BÌNH

Wp Ws Rp Rs
Giá trị 0,25 0,2 10 1

Ý nghĩa cụ thể và cách sử dụng chi tiết các thông số trong Bảng IV có thể tìm thấy trong [3] hoặc trang tham khảo của

hàm ellipord trong [9].

Bộ lọc thông cao này thực sự xác định hệ thống (5).

Kết quả phân tích phổ được đưa ra trong Hình 6.

500 0

-10
400

-20

300
-30
quang

(dB)
lớn
phổ

Độ

200 -40

-50
100
-60

0
0 :/3 2:/3 : 4:/3 5:/3 2: 0 0,2 0,4 0,6 0,8

w w (#:)
(a) Phổ của x(n) (b) Bộ lọc kỹ thuật số để loại bỏ xu hướng x(n)

20 20
Ước lượng Ước lượng

Thực tế Thực tế

15 15

10 10
quang

quang
phổ

phổ

5 5

0 0
0 :/3 2:/3 : 4:/3 5:/3 2: 0 :/3 2:/3 : 4:/3 5:/3 2:
w w
0 0
(c) Phổ ước tính của x sử dụng ARMA-SIN (d) Phổ ước tính của x sử dụng chênh lệch 1 đơn hàng

Hình 6. Phân tích quang phổ cho trường hợp giá trị trung bình biến thể.

Từ Hình 6, chúng ta có thể thấy toán tử sai phân bậc 1 làm biến dạng (khuếch đại) đáng kể phổ ở tần số cao

khoảng thời gian, mặc dù nó rất mạnh để giảm xu hướng. Tuy nhiên, ARMA-SIN của chúng tôi giữ 1 [nb, 20 log(1) = 0dB] ở tần số cao hơn

khu vực, không thực hiện thay đổi đối với các thành phần mong muốn. Đây là lý do tại sao ARMA-SIN của chúng tôi vượt trội hơn ARIMA. Lưu ý rằng Hình 6 (b) là

được tính bằng đơn vị logarit của decibel (dB). Để biết thêm về decibel, xem [3].

B. Trường hợp sử dụng SARIMA

Trường hợp này liên quan đến chuỗi thời gian định kỳ phù hợp với SARIMA. Chuỗi thời gian được hiển thị trong Hình 2

(c). Trong Hình 7, chúng ta có thể kiểm tra quang phổ của chuỗi thời gian. Chúng ta có thể thấy rằng có một phổ vạch nổi bật (tức là xung,

ngoại lệ) xung quanh w = 0,5π. Vì vậy, chúng tôi muốn thiết kế một bộ lọc kỹ thuật số chặn băng tần để loại bỏ thành phần tần số vượt trội.
Machine Translated by Google
9

BẢNG V
CÁC THAM SỐ LỌC CHO TRƯỜNG HỢP SỬ DỤNG SARIMA

Nhận xét giá trị

Fpass1 0,158 Tần số băng thông đầu tiên (×π)

Fstop1 0,16 Tần số băng chặn đầu tiên (×π)
Fstop2 0,165 Tần số dải dừng thứ hai (×π)
Fpass2 0,168 Tần số băng thông thứ hai (×π)
Apass1 1 Ripple băng thông đầu tiên (dB)

Suy giảm băng tần dừng Astop 20 (dB)

Apass2 1 Độ gợn băng thông thứ hai (dB)

Vì chúng tôi sử dụng phương pháp Elliptic để thiết kế bộ lọc IIR (hàm fdesign.bandstop trong MATLAB, để biết thêm, hãy xem tài liệu tham khảo của nó

trang trong [10]), chúng tôi thiết lập các thông số ở Bảng V.

Bộ lọc chặn dải này thực sự xác định hệ thống (6).

Kết quả phân tích phổ được đưa ra trong Hình 7.

50 0

40 -10

-20
30

(dB)
lớn
-30

Độ
quang
phổ

20
-40

10
-50

0
0 :/3 2:/3 : 4:/3 5:/3 2: 0 0,2 0,6 0,8

w 0,4 w (#:)

(a) Phổ của x(n) (b) Bộ lọc kỹ thuật số để loại bỏ xu hướng x(n)

30 30
Ước lượng Ước lượng

Thực tế
25
Thực tế
25

20 20

15 15
quang
quang

phổ
phổ

10 10

5 5

0 0
0 :/3 2:/3 : 4:/3 5:/3 2: 0 :/3 2:/3 : 4:/3 5:/3 2:
w w
0 0
(c) Phổ ước tính của x sử dụng ARMA-SIN (d) Phổ ước tính của x sử dụng chênh lệch theo mùa 12 độ trễ

Hình 7. Phân tích phổ cho trường hợp sử dụng SARIMA.

Phổ của toán tử chênh lệch theo mùa 12 độ trễ có thể được tìm thấy trong Hình 5 để so sánh với Hình 7.

Từ Hình 7, chúng ta có thể thấy toán tử chênh lệch theo mùa 12 độ trễ làm biến dạng đáng kể quang phổ tại và xung quanh w =

2kπ/12, k = 0, 2, 3, ..., 11, mặc dù việc xóa sạch tần số ở w = 2π/12 (k = 1) là rất mạnh. Đây là lý do tại sao chúng tôi
ARMA-SIN vượt trội hơn ARIMA.

C. Trường hợp ước tính trực tiếp thành phần mùa vụ

Trong phần này, chúng tôi sẽ sử dụng thông tin được trình bày dưới dạng phổ của chuỗi thời gian để ước tính trực tiếp các yếu tố theo mùa (xung

trong miền tần số). Triết lý này dựa trên DFT (biến đổi Fourier rời rạc) và DFT nghịch đảo [3], [4], [5].

Giả sử giá trị nổi trội của FFT của x(n) là tại n = K (K {1, 2, 3, ..., length(n)}) và giá trị của nó là HK thì ta

có w = 2πK/N. Ngoài ra, bằng DFT (và/hoặc FFT), biên độ trong miền thời gian được cho là A = 2|HK|/N và pha là

là ϕ = ϕ(Hk), trong đó |HK| biểu thị mô đun của HK và ϕ(Hk) biểu thị đối số (góc) của HK. Lưu ý rằng HK là

có giá trị phức tạp. Do đó, thành phần phổ vạch (xung trong quang phổ) của x(n) với tần số w = 2πK/N có
biểu thức trong miền thời gian như

xp(n) = A cos(wn + ϕ). (12)

Cụ thể trong phần này, phổ của chuỗi thời gian quan tâm như Hình 8.

Từ hình vẽ chúng ta có thể biết trực tiếp rằng w = 0,2001 và A = 2 × 49,09/N = 0,9721 (N = 101). Ngoài ra, bằng cách kiểm tra
pha tương ứng ở tần số này w = 0,2001, ta có ϕ = 1,5440. Do đó (12) thừa nhận (7).
Machine Translated by Google
10

50
X: 0,2001
Y: 49,09

40

30

quang
phổ
20

10

0 0 :/3 2:/3 : 4:/3 5:/3 2:

w

Hình 8. Phân tích phổ cho trường hợp ước lượng trực tiếp.

VIII. KẾT LUẬN

Trong bài viết này, chúng tôi đã thảo luận về bản chất, triết lý, tính hiệu quả, những điểm thiếu sót và những cải tiến của ARIMA và SARIMA từ các

quan điểm của Phân tích hệ thống tuyến tính, Phân tích quang phổ và Lọc kỹ thuật số. Chúng tôi chứng tỏ rằng S-ARIMA cũng làm biến dạng các tần số mong

muốn khi tạo chuỗi thời gian tĩnh. May mắn thay, ARMA-SIN của chúng tôi có thể giữ nguyên tần số vô hại. Tuy nhiên, chúng ta phải thừa nhận rằng mặc

dù ARMA-SIN được hiển thị rất mạnh mẽ, tổng quát và thú vị nhưng nó tương đối khó sử dụng đối với người mới bắt đầu so với ARIMA, SARIMA đơn giản và

những thứ tương tự. Việc áp dụng phương pháp này đòi hỏi phải có đủ kinh nghiệm để xác định các thành phần phổ quan tâm và thiết lập các tham số thích

hợp như tần số giới hạn để trích xuất hoặc loại bỏ chúng bằng cách thiết kế bộ lọc kỹ thuật số phù hợp. Mặc dù chán nản khi đề cập đến điều này, nhưng

chúng ta nên nói rõ rằng vẫn là một tương lai tươi sáng nếu chúng ta có thể thiết kế một số thuật toán mạnh mẽ giúp chúng ta tự động chọn các tham số

thích hợp để thiết kế các bộ lọc kỹ thuật số hữu ích, giống như phương pháp xác thực chéo trong đào tạo mô hình LASSO . Tuy nhiên, công việc đầy thách

thức này cần được các học giả đầy cảm hứng trong lĩnh vực này cùng xử lý.

RUỘT THỪA

Để không gây nhầm lẫn cho độc giả từ các cộng đồng khác nhau, chúng tôi đề cập đến một số thuật ngữ cơ bản được quan tâm trong bài viết này. •

ARMA: Đường trung bình trượt tự hồi quy; • ARIMA:

Đường trung bình động tích hợp tự hồi quy; • SARIMA: Đường trung

bình trượt tích hợp tự hồi quy theo mùa; • Phổ: Phổ của hàm thời gian là biến

đổi Fourier mô tả chuỗi thời gian ở tần số Fourier

lãnh địa;

• Phân tích quang phổ: Phân tích và xử lý chuỗi thời gian trong miền tần số Fourier. Phép biến đổi Fourier và
biến đổi Fourier ngược kết nối miền thời gian và miền tần số Fourier;

• Hệ thống tuyến tính (rời rạc): Một toán tử tuyến tính rời rạc, được xác định bởi phương trình vi phân (xem (1)) trong chuyển động tự hồi quy
dạng trung bình, biến đổi một chuỗi thời gian thành một chuỗi thời gian khác (ví dụ: toán tử sai phân);

• Bộ lọc số: Một hệ thống tuyến tính có tác dụng biến đổi chuỗi thời gian trong miền tần số Fourier. Tuy nhiên, nó hoạt động cho một chuỗi thời

gian trong miền thời gian. Ví dụ, phương pháp trung bình động tuy được áp dụng trực tiếp trong miền thời gian nhưng về bản chất nó loại bỏ

thành phần tần số thấp (tức là xu hướng) trong miền tần số Fourier;

• SADFA: Phương pháp phân tích quang phổ và lọc kỹ thuật số được sử dụng để phân tích và xử lý chuỗi thời gian; • DFT/DFS:
Biến đổi/Chuỗi Fourier rời rạc; • FFT: Biến đổi Fourier

nhanh; • DTFT: Biến đổi Fourier thời

gian rời rạc;

Ngoài ra, hai thuật ngữ Chuỗi thời gian và Quá trình ngẫu nhiên được sử dụng thay thế cho nhau trong bài viết này.

NGƯỜI GIỚI THIỆU

[1] GE Box, GM Jenkins, GC Reinsel và GM Ljung, Phân tích chuỗi thời gian: dự báo và kiểm soát. John Wiley & Các con trai, 2015.
[2] A. Papoulis và SU Pillai, Xác suất, biến ngẫu nhiên và quá trình ngẫu nhiên. Giáo dục Tata McGraw-Hill, 2002.
[3] PS Diniz, EA Da Silva và SL Netto, Xử lý tín hiệu số: phân tích và thiết kế hệ thống. Nhà xuất bản Đại học Cambridge, 2010.
[4] WY Yang, Tín hiệu và Hệ thống với MATLAB. Khoa học & Truyền thông Kinh doanh Springer, 2009.
[5] L. Chaparro và A. Akan, Tín hiệu và Hệ thống sử dụng MATLAB. Nhà xuất bản Học thuật, 2018.
[6] RJ Hyndman và G. Athanasopoulos, Dự báo: nguyên tắc và thực hành. OText, 2018.
[7] RN Calheiros, E. Masoumi, R. Ranjan và R. Buyya, “Dự đoán khối lượng công việc bằng mô hình arima và tác động của nó đến qos của ứng dụng đám mây,” Giao dịch IEEE
trên Điện toán đám mây, tập. 3, không. 4, trang 449–458, 2015.
[8] JD Hamilton, “Phân tích chuỗi thời gian,” Lý thuyết kinh tế. II, Nhà xuất bản Đại học Princeton, Mỹ, trang 625–630, 1995.
[9] MathWorks, “Thứ tự tối thiểu cho các bộ lọc hình elip,” https://www.mathworks.com/help/signal/ref/ellipord.html?searchHighlight=ellipord&s tid=doc srchtitle, 2018,
truy cập vào ngày 14 tháng 3 năm 2019.
[10] ——, “Đối tượng đặc tả bộ lọc Bandstop,” https://www.mathworks.com/help/dsp/ref/fdesign.bandstop.html, 2018, truy cập vào ngày 14 tháng 3 năm 2019.