TY - JOUR JF - JSS JO - JSS VL - 16 IS - 2 PY - 2023 Y1 - 2023/3/01 TI - Investigating the Improvement of Recurrent Forecasting of Singular Spectrum Analysis Method in Structural Time Series Models Using Data Filtration and Weighting Algorithm TT - بررسی بهبود پیش بینی بازگشتی روش تحلیل مجموعه ی مقادیر تکین در مدل های سری زمانی ساختاری با استفاده از پالایش داده ها و الگوریتم وزنی N2 - روش تحلیل مجموعه ی مقادیر تکین (SSA( یک روش ناپارامتری قدرتمند درحوزه­ ی تحلیل سری­های زمانی بوده و به دلیل دارا بودن ویژگی‌هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA تجزیه سری­های زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی در جهت بهبود این روش خصوصاٌ در زمینه­ ی پیش بینی سری های زمانی صورت گرفته است. در این مقاله روش جدیدی برای بهبود پیش بینی روش SSA با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA با روش SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد. برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است. نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است. SP - 373 EP - 395 AU - Zabihi Moghadam, Reza AU - Yarmohammadi, Masoud AU - Hassani, Hossein AU - Nasiri, Parviz AD - Payame Noor University KW - Forecasting KW - Kalman Filter KW - Singular Spectrum Analysis KW - State Space Form KW - Recurrent Forecasting. UR - http://jss.irstat.ir/article-1-791-fa.html DO - 10.52547/jss.16.2.373 ER -