Prediction using ARFIMA and FOU models of affluent energy

Predicción mediante modelos AFIRMA y FOU de energía afluente

Kalemkerian, Juan
Detalles Bibliográficos
2017
Modelos ARFIMA
Ornstein-Uhlenbeck fraccionarios
Memoria larga
ARFIMA model
Fractional Ornstein-Uhlenbeck
Long range dependence
Español
Universidad de Montevideo
REDUM
http://revistas.um.edu.uy/index.php/ingenieria/article/view/310
https://hdl.handle.net/20.500.12806/2485
Acceso abierto
Atribución 4.0 Internacional
_version_ 1807356689447387136
author Kalemkerian, Juan
author_facet Kalemkerian, Juan
author_role author
collection REDUM
dc.creator.none.fl_str_mv Kalemkerian, Juan
dc.date.accessioned.none.fl_str_mv 2024-07-12T12:56:18Z
dc.date.available.none.fl_str_mv 2024-07-12T12:56:18Z
dc.date.none.fl_str_mv 2017-11-01
dc.description.en-US.fl_txt_mv In this work we study predictions from ARFIMA and FOU models for the weekly data series of affluent energy generated by hydroelectric dams in Uruguay between 1909 and 2012. The estimation of Hurst coefficient suggests modeling through long memory time series. We present two families of time series models of this type, ARFIMA and FOU (fractional Ornstein-Uhlenbeck) models. Their parameters are estimated and taking into account their predictive power, their performance is compared.
dc.description.es-ES.fl_txt_mv En este trabajo se estudian predicciones a partir de modelos ARFIMA y FOU para la serie de datos semanales de energía afluente generada por las represas hidroeléctricas de Uruguay entre 1909 y 2012. Se describe la serie de datos, y mediante la estimación del exponente de Hurst se muestra la conveniencia de modelar a través de procesos de memoria larga. Se presentan dos familias de modelos de series de tiempo de este tipo, los ARFIMA y los FOU (Ornstein-Uhlenbeck fraccionarios). Se estiman sus parámetros y se compara el rendimiento de los mismos teniendo en cuenta su poder predictivo.
dc.format.none.fl_str_mv application/pdf
dc.identifier.none.fl_str_mv http://revistas.um.edu.uy/index.php/ingenieria/article/view/310
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12806/2485
dc.language.iso.none.fl_str_mv spa
dc.publisher.es-ES.fl_str_mv Universidad de Montevideo
dc.relation.none.fl_str_mv http://revistas.um.edu.uy/index.php/ingenieria/article/view/310/368
dc.rights.es-ES.fl_str_mv Derechos de autor 2019 Juan Kalemkerian
dc.rights.license.none.fl_str_mv Atribución 4.0 Internacional
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.source.en-US.fl_str_mv Memoria Investigaciones en Ingeniería; No. 15 (2017); 109-124
dc.source.es-ES.fl_str_mv Memoria Investigaciones en Ingeniería; Núm. 15 (2017); 109-124
dc.source.none.fl_str_mv 2301-1106
2301-1092
reponame:REDUM
instname:Universidad de Montevideo
instacron:Universidad de Montevideo
dc.source.pt-BR.fl_str_mv Memoria Investigaciones en Ingenieria; n. 15 (2017); 109-124
dc.subject.en-US.fl_str_mv ARFIMA model
Fractional Ornstein-Uhlenbeck
Long range dependence
dc.subject.es-ES.fl_str_mv Modelos ARFIMA
Ornstein-Uhlenbeck fraccionarios
Memoria larga
dc.title.none.fl_str_mv Prediction using ARFIMA and FOU models of affluent energy
Predicción mediante modelos AFIRMA y FOU de energía afluente
dc.type.en-US.fl_str_mv Peer reviewed articles
dc.type.es-ES.fl_str_mv Artículos evaluados por pares
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
dc.type.pt-BR.fl_str_mv Artigos revistos por pares
dc.type.version.none.fl_str_mv publishedVersion
info:eu-repo/semantics/publishedVersion
description In this work we study predictions from ARFIMA and FOU models for the weekly data series of affluent energy generated by hydroelectric dams in Uruguay between 1909 and 2012. The estimation of Hurst coefficient suggests modeling through long memory time series. We present two families of time series models of this type, ARFIMA and FOU (fractional Ornstein-Uhlenbeck) models. Their parameters are estimated and taking into account their predictive power, their performance is compared.
eu_rights_str_mv openAccess
format article
id REDUM_30c4abe309dc70ad58ab0de75bf162ec
instacron_str Universidad de Montevideo
institution Universidad de Montevideo
instname_str Universidad de Montevideo
language spa
network_acronym_str REDUM
network_name_str REDUM
oai_identifier_str oai:redum.um.edu.uy:20.500.12806/2485
publishDate 2017
reponame_str REDUM
repository.mail.fl_str_mv nolascoaga@um.edu.uy
repository.name.fl_str_mv REDUM - Universidad de Montevideo
repository_id_str 10501
rights_invalid_str_mv Derechos de autor 2019 Juan Kalemkerian
Atribución 4.0 Internacional
spelling Kalemkerian, Juan2017-11-012024-07-12T12:56:18Z2024-07-12T12:56:18Zhttp://revistas.um.edu.uy/index.php/ingenieria/article/view/310https://hdl.handle.net/20.500.12806/2485In this work we study predictions from ARFIMA and FOU models for the weekly data series of affluent energy generated by hydroelectric dams in Uruguay between 1909 and 2012. The estimation of Hurst coefficient suggests modeling through long memory time series. We present two families of time series models of this type, ARFIMA and FOU (fractional Ornstein-Uhlenbeck) models. Their parameters are estimated and taking into account their predictive power, their performance is compared.En este trabajo se estudian predicciones a partir de modelos ARFIMA y FOU para la serie de datos semanales de energía afluente generada por las represas hidroeléctricas de Uruguay entre 1909 y 2012. Se describe la serie de datos, y mediante la estimación del exponente de Hurst se muestra la conveniencia de modelar a través de procesos de memoria larga. Se presentan dos familias de modelos de series de tiempo de este tipo, los ARFIMA y los FOU (Ornstein-Uhlenbeck fraccionarios). Se estiman sus parámetros y se compara el rendimiento de los mismos teniendo en cuenta su poder predictivo.application/pdfspaUniversidad de Montevideohttp://revistas.um.edu.uy/index.php/ingenieria/article/view/310/368Derechos de autor 2019 Juan Kalemkerianinfo:eu-repo/semantics/openAccessAtribución 4.0 InternacionalMemoria Investigaciones en Ingeniería; No. 15 (2017); 109-124Memoria Investigaciones en Ingeniería; Núm. 15 (2017); 109-124Memoria Investigaciones en Ingenieria; n. 15 (2017); 109-1242301-11062301-1092reponame:REDUMinstname:Universidad de Montevideoinstacron:Universidad de MontevideoModelos ARFIMAOrnstein-Uhlenbeck fraccionariosMemoria largaARFIMA modelFractional Ornstein-UhlenbeckLong range dependencePrediction using ARFIMA and FOU models of affluent energyPredicción mediante modelos AFIRMA y FOU de energía afluenteinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionPeer reviewed articlesArtículos evaluados por paresArtigos revistos por parespublishedVersioninfo:eu-repo/semantics/publishedVersion20.500.12806/24852024-07-12 09:56:18.551oai:redum.um.edu.uy:20.500.12806/2485Universidadhttps://um.edu.uy/https://redum.um.edu.uy/oai/requestnolascoaga@um.edu.uyUruguayopendoar:105012024-07-12T12:56:18REDUM - Universidad de Montevideofalse
spellingShingle Prediction using ARFIMA and FOU models of affluent energy
Kalemkerian, Juan
Modelos ARFIMA
Ornstein-Uhlenbeck fraccionarios
Memoria larga
ARFIMA model
Fractional Ornstein-Uhlenbeck
Long range dependence
status_str publishedVersion
title Prediction using ARFIMA and FOU models of affluent energy
title_full Prediction using ARFIMA and FOU models of affluent energy
title_fullStr Prediction using ARFIMA and FOU models of affluent energy
title_full_unstemmed Prediction using ARFIMA and FOU models of affluent energy
title_short Prediction using ARFIMA and FOU models of affluent energy
title_sort Prediction using ARFIMA and FOU models of affluent energy
topic Modelos ARFIMA
Ornstein-Uhlenbeck fraccionarios
Memoria larga
ARFIMA model
Fractional Ornstein-Uhlenbeck
Long range dependence
url http://revistas.um.edu.uy/index.php/ingenieria/article/view/310
https://hdl.handle.net/20.500.12806/2485

Resultados similares