PRISM-ARIMA: چارچوب پارامتریک بازدارنده دامنه برای تقویت هدفمند سریهای زمانی با شبیه سازی محاسباتی مبتنی بر مونت کارلو و ARIMA

این پژوهش PRISM-ARIMA را معرفی و ارزیابی میکند که یک چارچوب ترکیبی برای تقویت هدفمند مجموعه دادههای سری زمانی کم نمونه است. این چارچوب شامل برازش پارامتریک مدل ARIMA، نمونه برداری مونت کارلوی آگاه از پارامترها و مکانیزم مقیاس گذاری حفظ کننده بازه کمینه - بیشینه طراحی شده تا مسیرهایی با حفظ محدودیتهای عملی و ویژگیهای آماری مبدا تولید شود. دادهها از منابع بین المللی Our World in Data و بانک جهانی برای هفت متغیر کلیدی اقلیمی، انرژی، اقتصادی و صنعتی در بازه سالهای ۱۹۹۱-۲۰۲۳ گردآوری شدند. نتایج نشان داد که PRISM-ARIMA موفق به بازتولید خصوصیات آماری، آماری و وابستگیهای زمانی سری اصلی می شود و تنوع و قابلیت تعمیم پذیری مدلهای آماری و هوش مصنوعی را به طور قابل توجهی افزایش می دهد.

کلیدواژه ها:

PRISM-ARIMA ، تقویت داده ، شبیه سازی محاسباتی ، مونت کارلوی پارامتریک ، مدل ARIMA ، مقیاس بندی کمینه - بیشینه