Vergleich von ARIMA-, Neural Network- und Hybridmodellen zur Vorhersage der Fischproduktion in Bangladesch

Die Zeitreihenprognose ist eine weit verbreitete Methode für wissenschaftliche Vorhersagen. Es gibt verschiedene ökonometrische Methoden zur Prognose von Zeitreihenbeobachtungen und zur Vorhersage des systematischen Musters der zugrunde liegenden Daten. Das ARIMA-Modell ist in diesem Aspekt aufgrund seiner Linearität am bekanntesten. Heutzutage gewinnt ein maschinelles Lernmodell, das als künstliches neuronales Netzwerk (ANN) bekannt ist, aufgrund seiner nichtlinearen Eigenschaften an Beliebtheit. Inkonsistente Schlussfolgerungen können häufig gezogen werden, wenn bewertet wird, ob ARIMA-Modelle oder neuronale Netzwerke besser darin sind, zukünftige Ereignisse vorherzusagen. Aus diesem Grund wurde in dieser Studie eine hybrider Ansatz etablierte, um sowohl von der linearen als auch von der nichtlinearen Modellierung zu profitieren. Der jährliche Datensatz zur Fischproduktion in Bangladesch von 1990 bis 2020 wurde in diesem Fall ausgewertet. Durch die Formulierung von drei Messfehlern, RMSE, MAE und MAPE wurde gezeigt, dass der hybride Ansatz eine höhere Prognosegenauigkeit aufweist als die beiden anderen Modelle bei der Vorhersage von Fischproduktionsdaten. Dhaka Univ. J. Sci. 72(1): 71-76, 2024 (Januar)