مقایسه‌ی تجربی مدل‌های باکس- جنکینز، شبکه‌های‌ عصبی مصنوعی و تحلیل مجموعه‌ی مقادیر تکین در پیش‌بینی سری‌های زمانی

مدل باکس جنکینز به‌عنوان یک روش پارامتری برای تحلیل سری‌های زمانی و برازش مدل‌های اتورگرسیو و میانگین متحرک فصلی و غیر فصلی به کار می رود؛ اما این روش برای سری‌های کوتاه مدت و نامانا مناسب نیست. در چنین شرایطی می توان از روش های  ناپارامتری مانند شبکه های عصبی مصنوعی و تحلیل مجموعه ی مقادیر تکین استفاده کرد. هر دو روش از این امتیاز برخوردارند که نیازمند نرمال بودن توزیع خطاها و زیاد بودن تعداد داده ها نمی باشند. در این مقاله، پس از معرفی روش‌های فوق دقت آن‌ها در پیش بینی میزان فروش چهار نوع کالای غذایی، دارویی و بهداشتی یک شرکت پخش مواد غذایی و بهداشتی مقایسه می شود. علاوه برآن در یک مطالعه شبیه‌سازی‌شده کارآمدی این روش‌ها برای پیش بینی های کوتاه مدت و بلند مدت ارزیابی شده است. نتایج حاصل برتری روش تحلیل مجموعه ی مقادیر تکین را در مقایسه با دو روش دیگر برحسب ریشه میانگین مربعات خطای پیش‌بینی نشان می دهد.