Forecasting With Stable Seasonal Pattern Models With an Application to Hawaiian Tourism Data
稳定季节模式模型的预测：夏威夷旅游数据应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究季节性与趋势序列的建模及样本外预测，并比较时间序列预测模型，因此对应预测与时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
稳定季节模式模型的预测：夏威夷旅游数据应用
- 研究问题
- 季节性稳定但存在趋势的序列应如何预测？研究关注如何兼顾季节模式与趋势，并评估这类模型对夏威夷旅游数据的长期预测能力。
- 方法与思路
- 作者在条件独立设定下分别建模季节模式与趋势，再结合二者进行预测；针对计数与连续数据提出不同的稳定季节模式变体。
- 材料陈述的贡献
- 摘要称，所提模型允许季节模式与趋势分开建模；其中一种变体在夏威夷旅游样本外实验中，相对季节性 ARIMA 与转移函数模型显示长期预测潜力。
- 阅读关注点
- 应核对条件独立假设、计数与连续数据的处理差异，以及样本划分、预测期限、误差指标和基准模型设定如何支持长期预测的比较。
- 阅读边界
- 摘要未说明数据区间、预测期限、误差指标及优势的不确定性；单一变体在该应用中的表现，不能据此推广到所有季节序列。
原文摘要
We propose several variations of the stable seasonal pattern (SSP) model first introduced by Marshall and Oliver and study their prediction procedures. Depending on the type of data (count data or continuous variable), we propose different treatments. Previously SSP models have been applied to trendless data or adapted to trending data in ad hoc ways. In the models considered here, conditional independence allows the seasonal pattern and trend to be modeled separately, whereas prediction uses both efficiently. In an out-of-sample forecasting experiment conducted on Hawaiian tourism data, one of the proposed variations demonstrates its long-term forecasting potential relative to seasonal Box-Jenkins autoregressive integrated moving average and transfer function models.