The two models can be combined to f

The two models can be combined to form an autoregressive and moving
average model of order p and q, denoted by ARMA(p, q). The order of the model is first determined by autocorrelation analysis, and then the values of the parameters are calculated. The aim is usually to find the model that adequately fits the data with the minimum number of parameters. Box and Jenkins (1970) in their book suggested a general methodology for developing an ARMA(p, q) model. The methodology consists of the three following major steps: (1) a tentative model of the ARMA(p, q) class is identified through autocorrelation analysis of the historical data, (2) the unknown parameter of the model are estimated, and (3) diagnostic checks are performed to establish the adequacy of the model or look for potential improvements.
Frequently, several forecasting models could be used to forecast the future maintenance workload. The forecasting techniques presented in the preceding sections may fit the given data with varying degrees of accuracy. In the following section, error analysis is presented as a tool for evaluating and comparing forecasts.

Kết quả (Việt) 1:

Hai mô hình có thể được kết hợp để hình thức một autoregressive và di chuyểnMô hình trung bình của thứ tự p và q, biểu hiện bằng ARMA (p, q). Thứ tự của các mô hình đầu tiên được xác định bằng cách phân tích autocorrelation, và sau đó các giá trị của các tham số được tính toán. Mục đích là thường tìm thấy mô hình đầy đủ phù hợp với dữ liệu với số lượng tối thiểu của tham số. Hộp và Jenkins (1970) trong cuốn sách của họ đề nghị một phương pháp tổng hợp để phát triển một mô hình ARMA (p, q). Các phương pháp bao gồm ba bước chính sau đây: (1) một mô hình dự kiến của các lớp học ARMA (p, q) được xác định thông qua autocorrelation phân tích các dữ liệu lịch sử, (2) các thông số chưa biết của các mô hình được ước tính, và (3) chẩn đoán kiểm tra được thực hiện để thiết lập tính đầy đủ của các mô hình hoặc xem xét để cải thiện tiềm năng.Thường xuyên, một số mô hình dự báo có thể được sử dụng để dự báo khối lượng công việc bảo trì trong tương lai. Các kỹ thuật dự báo trình bày trong phần trước có thể phù hợp với dữ liệu nhất định với mức độ chính xác khác nhau. Trong phần sau đây, phân tích sai được trình bày như một công cụ cho việc đánh giá và so sánh các dự báo.

Kết quả (Việt) 2:

Hai mô hình có thể được kết hợp để tạo thành một tự hồi quy và di chuyển
mô hình trung bình để p và q, biểu hiện bằng ARMA (p, q). Thứ tự của các mô hình đầu tiên được xác định bằng cách phân tích tương quan, và sau đó các giá trị của các thông số được tính toán. Mục đích thường là để tìm ra mô hình phù hợp với đầy đủ các dữ liệu với số lượng tối thiểu của các thông số. Box và Jenkins (1970) trong cuốn sách của họ đề nghị một phương pháp tổng quát để phát triển một mô hình ARMA (p, q). Các phương pháp bao gồm các bước chính ba sau đây: (1) một mô hình dự kiến của (p, q) lớp ARMA được xác định thông qua phân tích tương quan của các dữ liệu lịch sử, (2) các tham số không rõ của mô hình được ước lượng, và (3 ) kiểm tra chẩn đoán được thực hiện để thiết lập sự phù hợp của mô hình hoặc tìm kiếm các cải tiến tiềm năng.
Thông thường, một số mô hình dự báo có thể được sử dụng để dự báo duy trì khối lượng công việc tương lai. Các kỹ thuật dự báo được trình bày trong các phần trước có thể phù hợp với những dữ liệu được đưa ra với mức độ khác nhau về độ chính xác. Trong phần dưới đây, phân tích lỗi được trình bày như là một công cụ để đánh giá và so sánh dự báo.