- Titel
- Efficient In-Database Maintenance of ARIMA Models
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-830592
- Konferenz
- Scientific and Statistical Database Management 23rd International Conference, SSDBM 2011. Portland, 20.-22.07.2011
- Quellenangabe
- Scientific and Statistical Database Management
; 23rd International Conference, SSDBM 2011
Herausgeber: Judith Bayard Cushing
Herausgeber: James French
Herausgeber: Shawn Bowers
Erscheinungsort: Berlin [u. a.]
Verlag: Springer
Erscheinungsjahr: 2011
Titel Schriftenreihe: Lecture Notes in Computer Science
Bandnummer Schriftenreihe: 6809
Seiten: 537-545
ISBN: 978-3-642-22350-1 - Erstveröffentlichung
- 2011
- Abstract (EN)
- Forecasting is an important analysis task and there is a need of integrating time series models and estimation methods in database systems. The main issue is the computationally expensive maintenance of model parameters when new data is inserted. In this paper, we examine how an important class of time series models, the AutoRegressive Integrated Moving Average (ARIMA) models, can be maintained with respect to inserts. Therefore, we propose a novel approach, on-demand estimation, for the efficient maintenance of maximum likelihood estimates from numerically implemented estimators. We present an extensive experimental evaluation on both real and synthetic data, which shows that our approach yields a substantial speedup while sacrificing only a limited amount of predictive accuracy.
- Andere Ausgabe
- Link zum Artikel, der zuerst bei Springer Link erschienen ist
DOI: 10.1007/978-3-642-22351-8_36 - Freie Schlagwörter (DE)
- Autoregressive integrierte gleitende Durchschnittsmodelle, Schätzung der Parameter, Integrierte Vorhersage
- Freie Schlagwörter (EN)
- AutoRegressive Integrated Moving Average Models, Parameter Estimation, Integrated Forecasting
- Klassifikation (DDC)
- 004
- Verlag
- Springer, Berlin [u. a.]
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-830592
- Veröffentlichungsdatum Qucosa
- 25.01.2023
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
