With the importance of forecasting with a high degree of accuracy, the increasing attention has been evolved to combine individual models, especially statistical and intelligent ones. The main aim of such that hybrid models is to extract unique modeling strengths in linear and nonlinear pattern recognition, respectively. Therefore, different hybridization methods are proposed in recent literature for time series forecasting. One of the most widely-used combination strategies applied for numerous forecasting problems to yield more accurate results is the series hybrid strategy. In this hybridization methodology, components of a time series are separated and then modeled sequentially by choosing appropriate single models. However, the most accurate series hybrid model developed by determining the proper arrangement of single models. Thus, one of the critical issues in constructing series hybrid models is how to choose the appropriate sequence of individual models in a sequential modeling procedure. Although it is critically affecting on obtaining more accurate forecasting results, it has not been appropriately discussed in the literature of time series forecasting. Thus, in this paper, the performance of two possible sequence modeling procedures, including linear–nonlinear and nonlinear–linear, are evaluated. For this purpose, autoregressive integrated moving average (ARIMA), support vector machines (SVM), and multilayer perceptrons (MLP) models are chosen due to the popularity of these approaches for developing statistical/intelligent series hybrid models. Five well-known real data sets, e.g., Wolf’s Sunspot, Canadian Lynx, British pound/US dollar exchange rate, Nikkei 225 stock price, and the Colorado wind speed, are considered to distinguish better sequences. In this way, the main objective of this paper is to response this unanswered question in the literature that which sequence of single models can lead to obtain much better accuracy in constructing bi-component series hybrid models. Empirical results indicate that choosing the nonlinear intelligent model as first component in sequential modeling procedure can lead to yield more accurate results. Both SVM–ARIMA and MLP–ARIMA models can improve the performance of the ARIMA–SVM and ARIMA–MLP, respectively. Therefore, it can be concluded that the nonlinear–linear series hybrid models may produce more accurate results than linear–nonlinear hybrid models for time series forecasting.

随着高度精确的预测的重要性，人们越来越重视结合个体模型，尤其是统计模型和智能模型。这种混合模型的主要目的是分别提取线性和非线性模式识别中的独特建模强度。因此，在最近的文献中提出了不同的杂交方法用于时间序列预测。系列混合策略是用于众多预测问题以产生更准确结果的最广泛使用的组合策略之一。在这种杂交方法中，时间序列的各个部分被分离，然后通过选择适当的单个模型进行顺序建模。但是，最精确的系列混合模型是通过确定单个模型的正确排列而开发的。从而，构建系列混合模型的关键问题之一是如何在顺序建模过程中选择合适的单个模型序列。尽管它对获得更准确的预测结果至关重要，但是在时间序列预测的文献中并未对此进行适当讨论。因此，在本文中，我们评估了两种可能的序列建模过程（包括线性-非线性和非线性-线性）的性能。为此，由于开发统计/智能系列混合模型的这些方法的普及，选择了自回归综合移动平均（ARIMA），支持向量机（SVM）和多层感知器（MLP）模型。五个著名的真实数据集，例如Wolf's Sunspot，Canadian Lynx，英镑/美元汇率，日经225股票价格和科罗拉多州的风速被认为可以区分更好的序列。这样，本文的主要目的是回答文献中的这个未解决的问题，即在构造双组分系列混合模型时，单个模型的哪些序列可以导致获得更好的准确性。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。被认为可以区分更好的序列。通过这种方式，本文的主要目的是回答文献中这个未解决的问题，即在构造双组分系列混合模型时，单个模型的哪些序列可以导致获得更好的准确性。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。被认为可以区分更好的序列。通过这种方式，本文的主要目的是回答文献中这个未解决的问题，即在构造双组分系列混合模型时，单个模型的哪些序列可以导致获得更好的准确性。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。本文的主要目的是回答文献中这个未解决的问题，即在构造双组分系列混合模型时，单个模型的哪些序列可以导致获得更好的准确性。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。本文的主要目的是回答文献中这个未解决的问题，即在构造双组分系列混合模型时，单个模型的哪些序列可以导致获得更好的准确性。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。实证结果表明，在顺序建模过程中选择非线性智能模型作为第一组件可以产生更准确的结果。SVM–ARIMA模型和MLP–ARIMA模型都可以分别提高ARIMA–SVM和ARIMA–MLP的性能。因此，可以得出结论，对于时间序列预测，非线性-线性系列混合模型可能比线性-非线性混合模型产生更准确的结果。