Phân tích so sánh khoảng dự báo của các mô hình dự báo cổ điển bằng phương pháp Bootstrap nhằm nâng cao độ chính xác
Published: September 22, 2026
Abstract
Dự báo chuỗi thời gian được ứng dụng rộng rãi trong kinh tế và sản xuất nhựa, trong đó khoảng dự báo đóng vai trò quan trọng trong việc định lượng độ bất định của dự báo và hỗ trợ ra quyết định. Nghiên cứu này tái xây dựng khoảng dự báo cho các mô hình dự báo chuỗi thời gian cổ điển mà không dựa trên các giả định về phân phối. Các phương pháp truyền thống thường dựa vào giả định Gaussian và chủ yếu tập trung vào dự báo điểm. Bằng cách tích hợp kỹ thuật bootstrap, các mô hình cổ điển có thể cải thiện hiệu suất dự báo đồng thời cung cấp các ước lượng thực nghiệm về độ bất định. Khi áp dụng vào trường hợp nghiên cứu trong ngành sản xuất nhựa, quy trình đề xuất cải thiện độ chính xác dự báo tổng thể 9,29%.
Keywords
bootstrap khốinâng cao dự báoquy trình dự báosản xuất nhựakhoảng dự báo thực nghiệm
References
1.
Bandara, K., Hyndman, R. J., & Bergmeir, C. (2021). MSTL: A seasonal-trend decomposition algorithm for time series with multiple seasonal patterns. arXiv. https://doi.org/10.48550/arXiv.2107.13462
Baumann, E., Hsu, C., Buba, H., & Cox, T. (2023). An introductory approach to time-series data preparation and analysis. Annual Conference of the PHM Society, 15(1). https://doi.org/10.36001/phmconf.2023.v15i1.3561
Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control (2nd ed.). Holden-Day.
4.
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A seasonal-trend decomposition procedure based on Loess. Journal of Official Statistics, 6(1), 3–73.
5.
Efron, B., & Tibshirani, R. J. (1994). An introduction to the bootstrap. Chapman & Hall.
6.
Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378.
7.
Harvey, A. C. (1989). Forecasting, structural time series models and the Kalman filter. Cambridge University Press.
8.
Hipel, K. W., & McLeod, A. I. (1994). Seasonal autoregressive integrated moving average models. In Developments in water science (Vol. 45, pp. 419–462). Elsevier.
9.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts.
10.
Kumar, P., Verma, S., Varma, M., Yadav, K. K., & Singh, A. K. (2024). Comparative analysis of time series forecasting: Traditional statistical approaches vs. machine learning methods. International Journal of Agriculture Extension and Social Development, 7(9), 192–198. https://doi.org/10.33545/26180723.2024.v7.i9c.1054
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting (2nd ed.). Wiley.
12.
Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting, 36(3), 1181–1191. https://doi.org/10.1016/j.ijforecast.2019.07.001
