Applications of the ARIMA model for time series data analysis

Elaine Bandura, Janaína Cosmedamiana Metinoski Bueno, Guilherme Stasiak Jadoski, Gilmar Freitas Ribeiro Junior

Abstract


The application of statistical methods, can increase the efficiency of processes. Being the forecast a prognosis of future events, used for planning and decision purposes, increasing probabilities or even ensuring success from its applicability. A time series is a set of observations properly ordered in time, presenting the crucial dependence between the observations. How much ist he longer this series, the better the chances of a satisfactory fit of the mathematical modeling. In studies considering the availability of data in time series, ARIMA models can be used to describe, interpret and understand behaviors and trends, reducing the imprecision of predictions. It is evident the expressive range of applications of the ARIMA model and its seasonal variation - SARIMA, within the exact and natural agricultural sciences, engineering, computing and others.


Keywords


time series; trend assessment; seasonality

References


AGUADO-RODRÍGUEZ, G. Jr et al. Predicción de variables meteorológicas por medio de modelos ARIMA. Agrociencia. vol.50, n.1, pp.1-13,2016.

BATTISTI, I. D. E.; BATTISTI, G. Métodos estatísticos. Ijuí: Ed. Unijuí, Coleção Educação à Distância, 2008

BOX, G. E. P & JENKINS G. M., Time series analysis: forecasting and control, Ed. Rev.(1976). San Francisco: Holden-Day, 1970.

BOX, G.E.P; et al.Time series analysis: forecasting and control. 3. ed. New Jersey: Prentice Hall, 1994

BROZ, D. R.; VIEGO, V. N. Predicción de precios de productos de Pinus spp. con modelos ARIMA. Maderas y Bosques, v. 20, n. 1, p. 37-46, 2014.

CEBALLOS, S., PIRE, R.. Estimación del precio internacional del arroz (Oryza sativa L.) bajo el modelo ARIMA. Revista Mexicana de Ciencias Agrícolas Pub. Esp. 11: 2083-2089. 2015

CARVALHO, R. L. da S., DELGADO, A. R. S.. Estimates of reference evapotranspiration in the municipality of Ariquemes (RO) using neural networks GMDH-type. Rev. bras. eng. agríc. ambient. [online]. 2019, vol.23, n.5, pp.324-329. Epub May 06, 2019. ISSN 1415-4366.

CAVALLET, V. J. A FORMAÇÃO DO ENGENHEIRO AGÔNOMO EM QUESTÃO: A expectativa de um profissional que atenda as demandas do século XXI. 1999.

CHATfiELD, C. (2000). Time-series forecasting, CRC Press.

CHAVES, A. N., Bootstrap em Séries Temporais. Rio de Janeiro. 208f. Tese (Doutorado em Engenharia Elétrica), Universidade Federal do Rio de Janeiro, 1991.

CHECHI, L. BAYER, F. M.. Modelos univariados de séries temporais para previsão das temperaturas médias mensais de Erechim, RS. Rev. bras. eng. agríc. ambient., vol.16, n.12, pp.1321-1329. ISSN 1415-4366.2012

CHEN, P. PEDERSEN, T. BAK-JENSEN B. E CHEN, Z. "Modelo de Série Temporal Baseado em ARIMA para Geração Estocástica de Energia Eólica", em IEEE Transactions on Power Systems , vol. 25, n. 2, pp. 667-676, maio de 2010.

CORREA, S. M. Probabilidade e estatística, 2ª edição. - Belo Horizonte: PUC Minas Virtual, 2003.

FARUK, D.Ö. A hybrid neural network and ARIMA model for water quality time series prediction Engineering Applications of Artificial Intelligence, 23 (4), pp. 586-594, 2010

FAVA, V. Manual de econometria. In: VASCONCELOS, M. A. S.; D. São Paulo: Editora Atlas, 2000.

GUTIERREZ, J. L. C. Monitoring of the Corumbá - i Dam Instrumentation Neural Networks and the Box & Jenkins null Models, 2003.

HAN P, WANG PX, ZANG SY, DE HAI Z . Drought forecasting based on the remote sensing data using ARIMA models. Math Comput Model 51:1398–1403, 2010

HERNÁNDEZ, J.A., PUENTE, G. B., GÓMEZ, A.A.G, Análisis del precio de la manzana mediante un modelo SARIMA, Rev. Mex. Cienc. Agríc vol.10 no.2 Texcoco feb./mar. 2019

KABOUDAN, M., TSGP – Time Series Genetic Programming. School of Business, university of Redlands, 2002.

KIM, B.; SHIN, S. Y.; KIM, W. W.; YUM, S.; KIM, J. Forecasting Demand of Agricultural Tractor, Riding Type Rice Transplanter and Combine Harvester by using an ARIMA Model. Journal of Biosystems Engineering , v. 38, n. 1, p. 9-17, 2013. Disponível em: https://www.e-sciencecentral.org/articles/SC000013522. Acesso em 20/09/2019.

KRAJEWSKI, L; et al. Administração de Produção e Operações. 8° ed. Pearson, 2009.

MARCHEZAN, A. SOUZA, A. M. Previsão do preço dos principais grãos produzidos no Rio Grande do Sul. Cienc. Rural . 2010, vol.40, n.11, pp.2368-2374. Epub Dec 03, 2010. ISSN 0103-8478.

MARTIN, A. C.: HENNING, E.; WALTER, O. M. F. C.; KONRATH, A. C. Análise de séries temporais para previsão da evolução do número de automóveis no Município de Joinville. Revista Espacios, v.37, n.6, 2016. Disponível em: https://qualimetria.ufsc.br/files/2016/05/Revista-ESPACIOS-_-Vol.pdf. Acesso em: 22/09/2019.

MARTÍNEZ, G. M. CHALITA, L. E. T.. Aplicación de la metodología Box-Jenkins para pronóstico de precios en jitomate. Rev. Mex. Cienc. Agríc. 2(4):573-577. Nelson, J. P. 1995.

MONTANARI, A., ROSSO, R., TAQQU, M. S.: A seasonal fractional ARIMA model applied to the Nile River monthly flows at Aswan, Water Resour. Res., 36, 1249–1259, 2000.

MORETTIN, P. A. TOLOI, Clélia Maria de Castro. Previsão de series temporais, Rio de Janeiro – RJ, 1981.

RODRIGUES, R. O céu é o limite para o agronegócio brasileiro. Conjuntura Econômica, Rio de Janeiro, V.60, n.11, p.14-15, Nov.2006.

SADAEI, H. J., ENAYATIFAR, R., ABDULLAH, A. H. AND GANI, A. Short-term load forecasting using a hybrid model with a refined exponentially weighted fuzzy time series and an improved harmony search, International Journal of Electrical Power & Energy Systems 62: 118–129, 2014.

SILVA, M.I.S., GUIMARÃES, E.C. & TAVARES, M. Previsão da temperatura média mensal de Uberlândia, MG, com modelos de séries temporais. Revista Brasileira de Engenharia Agrícola e Ambiental 12:480-485. 2008

SOUZA, R. C., CAMARGO, M. E., Análise e Previsão de Séries Temporais : Os Modelos ARIMA. 2ª Ed., 2004.

TUBINO, D.F. Planejamento e controle da produção-TeoriaePrática.SãoPaulo: 2ª. ed. Atlas,2009

WERNER, L., RIBEIRO, J. L. D. Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais. Gest. Prod.., vol.10, n.1, pp.47-67. ISSN 0104-530X.. 2003

YULE, G. U. On a Method of Investigating Periodicities in Disturbed Series, with Special Reference to Wolfer's Sunspot Numbers. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 226 (636–646): 267–298. 1927

ZENG, Q.; et al. A new approach for Baltic Dry Index forecasting based on empirical mode decomposition and neural networks. Maritime Economics & Logistics, v.18, n. 2, p. 192-210, 2015.