کیفیت جریان ترافیک یکی از مشخصات اصلی شبکه حمل ونقل است که کاربرد فراوانی در مسائل مرتبط با برنامه ریزی شهری، اولویت بندی مسیرها، کاهش تراکم ترافیک و زمان سفر دارد؛ بنابراین برآورد میزان حجم ترافیک و پیش بینی آن در آینده یکی از مسائل مهم برنامه ریزان حوزه حمل ونقل است. مسئله پیش بینی، مستلزم مدل سازی و تعیین متغیرهای تأثیرگذار روی تغییرات پدیده ای خاص است. در این پژوهش به پیش بینی تقاضای سفر با استفاده از روش های سری زمانی پرداخته شده است. داده های موردنیاز این تحقیق، از سازمان راهداری و حمل ونقل جاده ای تهیه گردیده است. در این مطالعه به منظور ساخت مدل، از دو فرآیند اتورگرسیو و میانگین متحرک با رویکرد باکس-جنکینز استفاده شده است. . با استفاده از روش های فوق، میزان تقاضا در سال های آتی تا افق 1404 در آزادراه قم-تهران پیش بینی شده است. نتایج مطالعه نشان داد، از بین مدل های خود همبسته و میانگین متحرک و تلفیق دو مدل یعنی میانگین متحرک-خود همبسته، مدل سوم دقت قابل قبول تری دارد. پارامترهای این مدل (4,5)ARMA به دست آمد. همچنین صحت سنجی مدل ساخته شده، بر اساس مقدار میانگین درصد خطای مطلق، 047/0، مقادیر R و R2 به ترتیب 94/0 و 89/0 محاسبه شد که نشان می دهد مدل از دقت قابل قبولی برخوردار است.

هدف اصلی مقاله حاضر، استفاده از مدل های احتمال اتورگرسیو میانگین متحرک(ARMA)  به منظور مدل سازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS می باشد. موقعیت های روزانه ایستگاه دائمی LLAS در منطقه کالیفرنیای جنوبی از شبکه SCIGN با پوشش زمانی هفت سال از ژانویه 2000 تا دسامبر 2006 جهت ایجاد سری زمانی موقعیت و آنالیز آن انتخاب گردیده است. بر اساس سری زمانی موقعیت روزانه و استفاده از روش کمترین مربعات وزن دار، پارامترهای ژئودتیکی مانند: ترند خطی، نوسانات سالیانه و نیم سالیانه و نیز آفست ها به طور همزمان برای ایستگاه دائمی LLAS برآورد شده اند. در این مطالعه، توابع خود همبستگی(ACF)  و خودهمبستگی جزئی (PACF)، به عنوان ابزارهای مطالعاتی برای شناسایی رفتار سری زمانی موقعیت روزانه ایستگاه دائمی GPS مورد استفاده قرار می گیرند و امکان بررسی وابستگی داده های روزانه سری زمانی موقعیت را فراهم می نمایند. با توجه به اینکه ممکن است چند مدل احتمالاتی متفاوت برای یک سری زمانی موقعیت روزانه مناسب باشند، لذا محک اطلاعات آکاییک در مرحله شناسایی و انتخاب مدل مفید، مورد استفاده قرار گرفته است. در این مطالعه، نتایج عددی نشان می دهند که بهترین مدل احتمالاتی اتورگرسیو میانگین متحرک برای ایستگاه دائمی LLAS از مرتبه (1,1) برای جهت N می باشد. همچنین مدل احتمالاتی ARMA (2,1) برای جهت E مناسب ترین مدل می باشد در حالی که برای جهت U مدل احتمالاتی ARMA (1,2) بهترین مدل است. بعد از برآورد یک مدل احتمالاتی مناسب برای سری زمانی موقعیت روزانه ایستگاه دائمی GPS، می توان آن سری زمانی موقعیت را همراه با ترند و مولفه های فصلی پیش بینی کرد.

استقلال مشاهده های فرضی اساسی در طراحی یک نمودار X برای مشاهده های انفرادی است. ولی متاسفانه در بعضی از فرآیندهای تولیدی فرض وجود داده  های مستقل حتی به طور تقریبی نیز برقرار نیست و داده ها از خود نوعی خود همبستگی نشان می دهند. در این مقاله با شبیه سازی یک فرآیند AR(1) نشان خواهیم داد که وجود خود همبستگی در داده ها، تاثیر عمیقی بر نمودار X می گذارد. علاوه بر این با مقایسه برآوردگرهای انحراف معیار، میانگین برد متحرک و میانه برد متحرک، بهترین آن ها برای برآورد انحراف معیار فرآیند با استفاده از داده های خود همبسته، معرفی شده و در نهایت دو برآوردگر جدید انحراف معیار فرآیند با استفاده از داده های خود همبسته ارایه می شود.

هدف مطالعه حاضر پیشنهاد کاربرد یک مدل ترکیبی خاص برای تخمین تابع تقاضای سرانه برق کل و همچنین پیش بینی مقدار تقاضای آن برای 15 سال آینده در ایران است. در این تحقیق ابتدا با استفاده از مدل تعدیل جزئی پویا، تقاضای سرانه برق کشور برای دوره سالانه 1393-1360 برآورد شده است و سپس با جایگذاری مقادیر آتی متغیرها که از مدل میانگین متحرک خودهمبسته یکپارچه (ARIMA) به دست آمده در مدل ترکیبی تعدیل جزئی پویا (DPAM)، تقاضای برق تا سال 1408 پیش بینی گردیده است. یافته های تحقیق بیانگر بی کشش بودن تقاضای برق نسبت به تغیرات قیمت می باشد به طوری که کشش های قیمتی کوتاه مدت و بلندمدت به ترتیب برابر -0.014 و -0.026 درصد است. نتایج پیش بینی نشان می دهد مقدار تقاضای سرانه برق تا سال 1408 نسبت به سال 1393 حدود 45 درصد رشد خواهد داشت که برای پاسخگویی به این تقاضا باید سیاست هایی در جهت افزایش تولید و محدودیت تقاضا طراحی و اجرا گردد.

اقلیم یکی از مهمترین عوامل تاثیرگذار بر فرایندهای تشکیل، تکامل و تخریب خاک است که با توجه به تاثیر آن بر رخدادهای فرسایشی، پایش دائمی آن اهمیت دارد. در این پژوهش به منظور ارزیابی تغییرات اقلیمی در قالب سری های زمانی چهار ایستگاه هواشناسی شامل اردل، سامان، ایذه و دهدز به عنوان ایستگاه های مطالعاتی منتخب مورد بررسی قرار گرفت. با بررسی آماری داده های بارش در ایستگاه های منتخب، محاسبه ی شاخص فرسایندگی باران از 1990 تا سال 2017 انجام شد. پس از تحلیل روند داده ها و بررسی ایستایی داده های بارش، گراف های Auto-correlation function (ACF) و Partial auto-correlation function (PACF) ترسیم شد، سپس آزمون دیکی فولر (ADF) در سطوح اطمینان 1، 5 و 10 درصد صورت پذیرفت. در مرحله ی بعد، عملیات ایستا نمودن داده های ناایستا و یافتن پارامترهای مناسب p، r و q انجام شده و مدل Seasonal auto-regressive integrated moving average (SARIMA) تهیه و ایجاد شد. ارزیابی های آماری توسط نرم افزارهای StataSE، Minitab 18 و SPSS 19 صورت گرفت. نتایج نشان داد که جهت آشکارسازی روند تغییرات بارش، مدل ARIMA (0,0,1)×(1,1,1)12 دارای بیشترین نیکویی برازش است. همچنین روش میانگین متحرک خودهمبسته ی فصلی به خوبی تغییرات بارش را در منطقه ی مطالعاتی واقع در جنوب غرب ایران نشان داد. نتایج حاصل از مدل برازش شده حاکی از احتمال کاهش در میزان بارش سالیانه طی دوره های زمانی 5 و 10 ساله پس از سال 2017 می-باشد. با توجه به مقادیر بارش ماهیانه شبیه سازی شده، مقدار شاخص فرسایندگی در منطقه به دست آمد که کاهش ضریب فرسایندگی باران طی دوره های تا 10 سال آینده را بیان می نماید.

پیش بینی دقیق هیدرولوژیکی یک ابزار کلیدی در برنامه ریزی های منابع آب است. از این رو در این مقاله با بهره گیری از مدل-های رگرسیون بردار پشتیبان (SVR)، رگرسیون چند متغیره ی خطی (MLR)و خود همبسته ی میانگین متحرک (ARMA)، جریان ورودی به سدهای بختیاری و رودبار لرستان پیش بینی شده است. به منظور پیش پردازش داده های ورودی مدل ها از رویکرد میانگین متحرک استفاده شد. برای ارزیابی کارایی مدل ها از معیارهای ارزیابی نش ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE)، ضریب همبستگی (R) و دیاگرام تیلور استفاده شد. نتایج نشان داد که استفاده از روش پیش پردازش میانگین متحرک باعث بهبود عملکرد مدل های مورد استفاده شده است. بطوری که مقادیر NSE مربوط به مدل SVR با پیش-پردازش میانگین متحرک در پیش بینی جریان ورودی به سدهای بختیاری و رودبار لرستان نسبت به مدل SVR بدون پیش-پردازش به ترتیب 4/13 و 6/6 درصد بهبود داشته است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

حافظه بلندمدت که آن را وابستگی با دامنه بلندمدت نیز می نامند، ساختار همبستگی مقادیر یک سری زمانی را در فواصل زمانی زیاد توضیح می دهد. طبق فرضیه بازار کارا قیمت ها از فرایند گام تصادفی پیروی می کنند، بنابراین بازده دارایی را نمی توان بر اساس تغییرات گذشته قیمت ها پیش بینی نمود. حافظه بلند مدت نقطه ضعف فرضیه بازارهای کاراست از آنجا که فرآیندهای با حافظه بلند مدت در بازده دارایی ها کابردهای مهمی دارند و در تجزیه و تحلیل سری های زمانی نقش تعیین کننده ای ایفا می کنند، این تحقیق به بررسی وجود حافظه بلند مدت در شاخص قیمت ارزهای دیجیتال 1 دلاری و پایین تر در بازه زمانی 1 سپتامبر 2015 تا 1 سپتامبر 2018 می پردازد. جهت تخمین پارامتر d از روش OLS در بسته نرم افزار EVIEWS استفاده شده است. مدل ARFIMA برای آزمون فرضیه ها بکار گرفته شده است. نتایج حاکی از آن است که حافظه بلندمدت در ارزهای دیجی کوین، دوگی کوین، امر وین، بیتشیر، مایدسیف کوین، ایکس ای ام، رددی کوین، ان تی وای، ورج و ریپل محرز بوده و از طرفی سه ارز بایت کوین، سای کوین و استلار فاقد حافظه بلندمدت بوده و لذا این ارزها در زمره کالاهای بازار کارا قرار می گیرند.

افزایش غلظت میزان گازهای گلخانه ای منجر به تشدید پدیده ای بنام گرمایش جهانی گردیده است، پدیده ای که باعث شده تا میانگین دمای سالانه سطح کره زمین طی قرن گذشته 0. 74 درجه سانتی گراد افزایش یابد. گرمایش جهانی پدیده ای است که اثرات ناخوشایند فراوانی بر زندگی انسان ها و جانوران می گذارد. رخداد و شدت یافتن پدیده هایی نظیر خشکسالی، کاهش بارندگی، افزایش رخداد روزهای گرد وخاک و سیلاب نیز ناشی از پدیده تغییر اقلیم و نهایتاً گرمایش جهانی در دنیا بوده است. در این تحقیق جهت بررسی پدیده گرمایش جهانی در استان خوزستان با استفاده از روش های معمول سری های زمانی (میانگین های متحرک، معادله خط روند-ضریب خط روند) و آزمون ناپارامتریک من کندال، تغییرات درجه حرارت میانگین سالانه هوا طی دوره 2016-1988 در 8 ایستگاه سینوپتیک هواشناسی (آبادان-اهواز-امیدیه-بستان-دزفول رامهرمز-ماهشهر-مسجد سلیمان) مورد بررسی قرار گرفته است. نتایج حاصله حاکی از افزایش قابل ملاحظه دمای میانگین هوا در تمام ایستگاه های استان بوده، به نحوی که ایستگاه های منتخب طی دوره مطالعاتی (به جزایستگاه مسجدسلیمان روند افزایشی در سطح 5 درصد) روند افزایشی معنی داری در سطح 1 درصد نشان می دهند. همچنین ایستگاه های بستان و رامهرمز به ترتیب با 0. 107 و 0. 097 درجه سانتیگراد در هر سال، بیشترین ضریب افزایش درجه حرارت سالانه را دارا بوده اند.