Застосування моделей часових рядів для прогнозування погодних умов
The study presents an evaluation of time series models ARIMA, SARIMA, and SARIMAX, and assesses their applicability for weather forecasting, which is highly relevant under current climate change conditions. The study presents an evaluation of the time series models ARIMA, SARIMA, and SARIMAX and the...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Kamianets-Podilskyi National Ivan Ohiienko University
2025
|
| Online Zugang: | http://mcm-tech.kpnu.edu.ua/article/view/335209 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Mathematical and computer modelling. Series: Technical sciences |
Institution
Mathematical and computer modelling. Series: Technical sciences| _version_ | 1856543286374694912 |
|---|---|
| author | Зуй, Денис Кузьменко, Ігор Гевліч, Тарас |
| author_facet | Зуй, Денис Кузьменко, Ігор Гевліч, Тарас |
| author_sort | Зуй, Денис |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2025-12-22T08:32:29Z |
| description | The study presents an evaluation of time series models ARIMA, SARIMA, and SARIMAX, and assesses their applicability for weather forecasting, which is highly relevant under current climate change conditions.
The study presents an evaluation of the time series models ARIMA, SARIMA, and SARIMAX and their applicability for weather forecasting, which is particularly relevant under current climate change conditions.
Traditional physical and mathematical models provide high forecasting accuracy but require substantial computational resources and may not promptly adapt to rapidly changing external factors. Therefore, there is a growing need to employ alternative forecasting methods that combine adaptability, computational efficiency, and accuracy.
The scientific novelty of this research lies in the first-time comparative analysis of the performance and efficiency of ARIMA, SARIMA, and SARIMAX models for weather prediction based on open datasets from the Kaggle platform, using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) as evaluation metrics.
The purpose of the study is to compare the RMSE metrics of the ARIMA, SARIMA, and SARIMAX models and the computational resources required for their implementation. The system architecture includes modules for data collection, cleaning, processing, and visualization, implemented in the Python programming language using the following libraries: Pandas, NumPy, Statsmodels, Pmdarima, Matplotlib, Seaborn, Plotly, and Streamlit.
For model implementation, open-source datasets from the Kaggle platform were processed. Before modeling, the stationarity of the time series was verified using the Augmented Dickey–Fuller (ADF) test at a 10% significance level. The MAE metric was applied to tune the models, while RMSE was used for model evaluation.
The results show that the ARIMA model is effective for forecasting non-seasonal weather data, providing an RMSE of approximately 0.2-0.4, although it requires a testing phase of more than 50 iterations. The SARIMA model is recommended for seasonal datasets, achieving an RMSE of around 0.8 after approximately 80 iterations. The SARIMAX model, which incorporates exogenous variables, is also recommended for seasonal data, achieving an RMSE of about 0.75 over 80 iterations.
The presented findings demonstrate the potential and applicability of ARIMA, SARIMA, and SARIMAX models for weather forecasting tasks. |
| first_indexed | 2026-02-08T08:00:48Z |
| format | Article |
| id | mcmtechkpnueduua-article-335209 |
| institution | Mathematical and computer modelling. Series: Technical sciences |
| language | Ukrainian |
| last_indexed | 2026-02-08T08:00:48Z |
| publishDate | 2025 |
| publisher | Kamianets-Podilskyi National Ivan Ohiienko University |
| record_format | ojs |
| spelling | mcmtechkpnueduua-article-3352092025-12-22T08:32:29Z A Application of Arima, Sarima, and Sarimax Models for Weather Forecasting Застосування моделей часових рядів для прогнозування погодних умов Зуй, Денис Кузьменко, Ігор Гевліч, Тарас The study presents an evaluation of time series models ARIMA, SARIMA, and SARIMAX, and assesses their applicability for weather forecasting, which is highly relevant under current climate change conditions. The study presents an evaluation of the time series models ARIMA, SARIMA, and SARIMAX and their applicability for weather forecasting, which is particularly relevant under current climate change conditions. Traditional physical and mathematical models provide high forecasting accuracy but require substantial computational resources and may not promptly adapt to rapidly changing external factors. Therefore, there is a growing need to employ alternative forecasting methods that combine adaptability, computational efficiency, and accuracy. The scientific novelty of this research lies in the first-time comparative analysis of the performance and efficiency of ARIMA, SARIMA, and SARIMAX models for weather prediction based on open datasets from the Kaggle platform, using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) as evaluation metrics. The purpose of the study is to compare the RMSE metrics of the ARIMA, SARIMA, and SARIMAX models and the computational resources required for their implementation. The system architecture includes modules for data collection, cleaning, processing, and visualization, implemented in the Python programming language using the following libraries: Pandas, NumPy, Statsmodels, Pmdarima, Matplotlib, Seaborn, Plotly, and Streamlit. For model implementation, open-source datasets from the Kaggle platform were processed. Before modeling, the stationarity of the time series was verified using the Augmented Dickey–Fuller (ADF) test at a 10% significance level. The MAE metric was applied to tune the models, while RMSE was used for model evaluation. The results show that the ARIMA model is effective for forecasting non-seasonal weather data, providing an RMSE of approximately 0.2-0.4, although it requires a testing phase of more than 50 iterations. The SARIMA model is recommended for seasonal datasets, achieving an RMSE of around 0.8 after approximately 80 iterations. The SARIMAX model, which incorporates exogenous variables, is also recommended for seasonal data, achieving an RMSE of about 0.75 over 80 iterations. The presented findings demonstrate the potential and applicability of ARIMA, SARIMA, and SARIMAX models for weather forecasting tasks. У роботі наведено оцінку моделей часових рядів ARIMA, SARIMA, SARIMAX та можливості їх застосування для прогнозування погодних умов, що є актуальним в умовах сучасних кліматичних змін. Традиційні фізико-математичні моделі забезпечують високу точність, але вимагають значних обчислювальних ресурсів та не завжди оперативно реагують на змінні зовнішні фактори. Тому виникає необхідність у використанні інших методів прогнозування, які поєднують адаптивність, швидкодію та точність. Наукова новизна роботи полягає у виконаному вперше порівняльному аналізі ефективності моделей ARIMA, SARIMA та SARIMAX для прогнозування погодних умов на основі відкритих наборів даних платформи Kaggle із використанням метрик оцінки точності RMSE та MAE. Тому метою роботи є порівняння RMSE метрики моделей ARIMA, SARIMA, SARIMAX та апаратних ресурсів, потрібних для їх реалізації. Архітектура системи включає компоненти збору, очищення, опрацювання та візуалізації даних і реалізована на мові програмування Python з використанням бібліотек: Pandas, NumPy, Statsmodels, Pmdarima, Matplotlib, Seaborn, Plotly, Streamlit. Для реалізації моделей опрацьовано набори відкритих даних з платформи Kaggle. Перед моделюванням проведено перевірку стаціонарності рядів даних за тестом Дікі-Фуллера за 10% рівня значущості. Для налаштування моделей застосовано середню абсолютну похибку (MAE) та для їх оцінки – корінь середньоквадратичної похибки (RMSE). Результати показали, що модель ARIMA є ефективною для прогнозування нециклічних погодних даних, забезпечуючи RMSE близько 0,2...0,4, проте вимагає періоду тестування у понад 50 ітерацій. Модель SARIMA рекомендується при роботі з сезонними даними, забезпечуючи RMSE близько 0,8 після проходження близько 80 ітерацій. Модель SARIMAX рекомендується при роботі з сезонними даними, забезпечуючи RMSE близько 0,75 за 80 ітерацій за використання додаткових екзогенних змінних. Представлені результати свідчать про перспективність моделей ARIMA, SARIMA та SARIMAX для прогнозування погодних умов. Kamianets-Podilskyi National Ivan Ohiienko University 2025-07-11 Article Article application/pdf http://mcm-tech.kpnu.edu.ua/article/view/335209 10.32626/2308-5916.2025-28.28-36 Mathematical and computer modelling. Series: Technical sciences; 2025: Mathematical and computer modelling. Series: Technical sciences. Issue 28; 28-36 Математичне та комп'ютерне моделювання. Серія: Технічні науки ; 2025: Математичне та комп'ютерне моделювання. Серія: Технічні науки. Випуск 28; 28-36 2308-5916 10.32626/2308-5916.2025-28 uk http://mcm-tech.kpnu.edu.ua/article/view/335209/336464 Авторське право (c) 2025 Математичне та комп'ютерне моделювання. Серія: Технічні науки |
| spellingShingle | Зуй, Денис Кузьменко, Ігор Гевліч, Тарас Застосування моделей часових рядів для прогнозування погодних умов |
| title | Застосування моделей часових рядів для прогнозування погодних умов |
| title_alt | A Application of Arima, Sarima, and Sarimax Models for Weather Forecasting |
| title_full | Застосування моделей часових рядів для прогнозування погодних умов |
| title_fullStr | Застосування моделей часових рядів для прогнозування погодних умов |
| title_full_unstemmed | Застосування моделей часових рядів для прогнозування погодних умов |
| title_short | Застосування моделей часових рядів для прогнозування погодних умов |
| title_sort | застосування моделей часових рядів для прогнозування погодних умов |
| url | http://mcm-tech.kpnu.edu.ua/article/view/335209 |
| work_keys_str_mv | AT zujdenis aapplicationofarimasarimaandsarimaxmodelsforweatherforecasting AT kuzʹmenkoígor aapplicationofarimasarimaandsarimaxmodelsforweatherforecasting AT gevlíčtaras aapplicationofarimasarimaandsarimaxmodelsforweatherforecasting AT zujdenis zastosuvannâmodelejčasovihrâdívdlâprognozuvannâpogodnihumov AT kuzʹmenkoígor zastosuvannâmodelejčasovihrâdívdlâprognozuvannâpogodnihumov AT gevlíčtaras zastosuvannâmodelejčasovihrâdívdlâprognozuvannâpogodnihumov AT zujdenis applicationofarimasarimaandsarimaxmodelsforweatherforecasting AT kuzʹmenkoígor applicationofarimasarimaandsarimaxmodelsforweatherforecasting AT gevlíčtaras applicationofarimasarimaandsarimaxmodelsforweatherforecasting |