Treffer: A NOVEL DEEP-LEARNING BASED APPROACH FOR TIME SERIES FORECASTING USING SARIMA, NEURAL PROPHET AND FB PROPHET.

Objective: The article aims to explore and evaluate a novel deep-learning approach for time series forecasting using three specific models: SARIMA (Seasonal Auto-Regressive Integrated Moving Average), Neural Prophet, and Facebook Prophet. The primary goal is to assess the effectiveness of these models in predicting stock market values in the Gulf region, providing insights into the best-suited models for forecasting tasks. Methods: The study employs Python libraries and frameworks to implement the SARIMA, Neural Prophet, and Facebook Prophet models. The models are trained using stock market data from the Mulkia Gulf Real Estate dataset. The methodology includes data preprocessing, model training, evaluation, and comparison using metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). Results: The evaluation results show that SARIMA performs well in general prediction tasks, especially when datasets contain seasonality trends. Facebook Prophet excels with smaller datasets containing seasonal data, while Neural Prophet demonstrates its ability to capture complex, non-linear patterns. However, Neural Prophet requires more intricate data and fine-tuning for optimal results. Contribution: This study provides a comparative analysis of deep-learning models for time series forecasting, offering valuable insights into their strengths and weaknesses. The findings contribute to the understanding of which models are most suitable for stock market prediction and how they can be adapted to different data types and scenarios. Conclusion: The research concludes that each model--SARIMA, Facebook Prophet, and Neural Prophet--has its unique strengths in time series forecasting. SARIMA is reliable for handling seasonal data, Facebook Prophet is efficient for smaller datasets with clear trends, and Neural Prophet is best for more complex datasets. The study highlights the importance of selecting the appropriate model based on the specific requirements of the forecasting task. [ABSTRACT FROM AUTHOR]

Objetivo: O artigo tem como objetivo explorar e avaliar uma nova abordagem baseada em aprendizado profundo para previsão de séries temporais, utilizando três modelos específicos: SARIMA (Média Móvel Integrada Autoregressiva Sazonal), Neural Prophet e Facebook Prophet. O principal objetivo é avaliar a eficácia desses modelos na previsão de valores do mercado de ações na região do Golfo, fornecendo insights sobre os modelos mais adequados para tarefas de previsão. Métodos: O estudo utiliza bibliotecas e frameworks do Python para implementar os modelos SARIMA, Neural Prophet e Facebook Prophet. Os modelos são treinados com dados do mercado de ações do conjunto de dados do Mulkia Gulf Real Estate. A metodologia inclui pré-processamento de dados, treinamento de modelos, avaliação e comparação usando métricas como Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e Erro Percentual Médio Absoluto (MAPE). Resultados: Os resultados da avaliação mostram que o SARIMA apresenta um bom desempenho em tarefas de previsão gerais, especialmente quando os conjuntos de dados contêm tendências sazonais. O Facebook Prophet se destaca com conjuntos de dados menores que possuem dados sazonais, enquanto o Neural Prophet demonstra sua capacidade de capturar padrões complexos e não lineares. No entanto, o Neural Prophet requer dados mais detalhados e ajustes finos para resultados ótimos. Contribuição: Este estudo fornece uma análise comparativa de modelos de aprendizado profundo para previsão de séries temporais, oferecendo insights valiosos sobre seus pontos fortes e fracos. Os resultados contribuem para a compreensão de quais modelos são mais adequados para previsão de mercado de ações e como podem ser adaptados a diferentes tipos de dados e cenários. Conclusão: A pesquisa conclui que cada modelo--SARIMA, Facebook Prophet e Neural Prophet--possui suas forças únicas na previsão de séries temporais. O SARIMA é confiável para lidar com dados sazonais, o Facebook Prophet é eficiente para conjuntos de dados menores com tendências claras e o Neural Prophet é ideal para conjuntos de dados mais complexos. O estudo destaca a importância de selecionar o modelo adequado com base nos requisitos específicos da tarefa de previsão. [ABSTRACT FROM AUTHOR]

Copyright of Revista Gestão & Tecnologia is the property of Revista Gestao & Tecnologia and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)