آشنایی با موضوع

سری زمانی(به انگلیسی: Time series) در هر علم، به آمار جمع‌آوری شده مربوط به متغیری که قرار است پیش‌ بینی شود و در دوره‌ های زمانی گذشته موجود است، اصطلاحاً سری زمانی می‌گویند. منظور از یک سری زمانی مجموعه ‌ای از داده ‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌ های آماری که این گونه داده ‌های آماری را مورد استفاده قرار می‌دهد روش‌های تحلیل سری ‌های زمانی نامیده می‌شود. مانند فروش فصلی یک شرکت طی سه سال گذشته. یک سری زمانی مجموعه مشاهداتی است که بر اساس زمان مرتب شده باشند. مثال‌های آن از اقتصاد و حتی رشته‌های مهندسی دیده می‌شود. بخصوص روش های تجزیه و تحلیل سری های زمانی قسمت مهمی از آمار را تشکیل می‌دهد. اهداف اصلی سری زمانی: 1- توضیح و تفسیر پدیده ها 2- پیش بینی پدیده ها هر سری زمانی معمولا از چهار جزء زیر تشکیل شده است: 1-روند (Trend): این که فروش شرکت به صورت میانگین در بلندمدت چه قدر رشد یا افول داشته است؟ به این معنی که اگر از نوسانات مقطعی این سری صرف نظر کنیم، در بلند مدت فروش آن شرکت بیشتر شده است. در شناسایی روند در نمودار فروش دقت کنید که روند در بلندمدت تغییر نمی‌کند. 2-نوسانات فصلی (Seasonality): رشد یا افول سری زمانی در دوره‌های منظم را، نوسانات فصلی می‌گویند. مثلا فروش بلیط یک شهربازی، در پنجشنبه‌ها نسبت به سایر روزها بیشتر است. این افزایش در فروش که هر پنجشنبه به صورت منظم رخ می‌دهد، یک تغییر فصلی می‌گویند. بنابراین با توجه به اینکه کوتاه‌ترین فاصله منظم تغییرات، یک هفته است، یک فصل سری زمانی برابر با یک هفته است. 3-تغییرات ادواری (long-run cycle): به نوسانات تکرارشونده با دوره طولانی‌تر از یک فصل از سری زمانی، تغییر ادواری می‌گویند. مثلا رفتار سری زمانی بلیط فروشی یک شهربازی، در تابستان‌های هر سال مشابه هم است و نسبت به سایر ایام، بیشتر است 4-تغییرات نامنظم (stochastic): تغییراتی که قابل پیش‌بینی نیستند و نظم و الگوی خاصی ندارند. یک تحلیل‌گر پیش از هر چیز بایستی کلیه روند‌های کلی، فصلی و تغییرات ادواری را کشف کند. آنجه باقی می‌ماند، بایستی هیچ روندی نداشته باشد و نتوان هیچ دلیلی برای آن کشف کرد. هر گونه تغییر روندی در سری زمانی که می‌توان دلیلی برای آن ذکر کرد را بایستی در یکی از مفاهیم بالا جا داد. مهم‌ترین گامی که یک تحلیل‌گر در تحلیل سری زمانی فروش بایستی بردارد این است که هر یک از تغییرات و روندها را تشریح کرده و میزان آن را تحلیل کند. یک تحلیل‌گر بایستی برای هر سه روند بلندمدت، فصلی و ادواری وضعیت خود را با وضعیت مطلوب مقایسه کند. هر سری زمانی یک مجموعه از مشاهدات xt است که هر یک در زمان مشخص t ثبت شده اند. در سری زمانی گسسته مجموعه T0 از زمان هایی که در آن ها مشاهده ها صورت گرفته است، یک مجموعه گسسته است. قبل از هرگونه آنالیز روی سری های زمانی نیاز است که یک مدل احتمال برای نمایش داده ها تنظیم کرد. بعد از این که یک خانواده مناسب از مدل ها انتخاب شد، برآورد پارامترها، بررسی خوبی برازش به داده ها و احتمالاً استفاده از مدل برازش شده برای بهبود درک و دانش خود از مکانیسم تولیدکننده سری، ممکن می شود. در برخی کاربردها نیاز است که مؤلفه های فصلی را شناسایی و حذف کنیم که با مؤلفه بلندمدت اشتباه گرفته نشوند. این فرآیند سرشکنی فصلی نامیده می شود. دیگر کاربردهای مدل های سری زمانی شامل جداسازی یا فیلتر کردن نویزها از سیگنال اصلی، پیش بینی مقادیر آتی سری، آزمون¬های فرض، پیش بینی یک سری از مشاهدات یک سری دیگر و کنترل مقادیر آتی یک سری با تنظیم پارامترها است. مدل های سری زمانی هم چنین برای مطالعات شبیه سازی بسیار مفید هستند. روش ‌های تحلیل سری زمانی به دو دسته تقسیم می ‌شوند: روش‌های دامنه فرکانس و روش‌ های دامنه زمان. دسته اول شامل تحلیل طیفی و تحلیل موجک و دسته دوم شامل تحلیل ‌های خودهمبستگی و همبستگی متقابل است.
در این صفحه تعداد 1914 مقاله تخصصی درباره سری زمانی که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI ترجمه شده سری زمانی
مقالات ISI سری زمانی (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: سری زمانی; Solar energy; Short-term forecasts; Prediction bands; Time series; Mean; Quick fluctuations; Persistence; Risk; Volatility; Normality tests;
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: سری زمانی; AFEA; automated facial expression analysis; Emotion; Facial expression analysis; Bitter; Caffeine; Sensory evaluation; Time series;