Интеллектуальный анализ временных рядов. Ярушкина Н.Г - 104 стр.

UptoLike

104
Показатель информативности и интерпретируемости области полученной
модели в терминах решаемой задачи предметной.
По оценкам зарубежных и отечественных систематиков прогностики, на-
считывается свыше ста методов прогнозирования. Число базовых методов, ко-
торые в тех или иных вариациях повторяются в других методах, гораздо мень-
ше. Часть из этих методов относятся скорее к отдельным приемам
или проце-
дурам прогнозирования, другие представляют набор отдельных эвристических
алгоритмов, отличающихся от базовых или друг от друга количеством частных
приемов и последовательностью их применения.
Так для моделирования тренда (сглаживания) используют регрессионные
модели или методы сглаживания временных рядов. Для анализа сезонного эф-
фекта применяют специальные модели сезонного сглаживания и сезонной ав-
торегресии. Колебания относительно тренда выявляются применением гармо-
нического и спектрального анализа, а для описания и прогнозирования таких
процессов используют гармонические модели или модели авторегрессии,
скользящего среднего.
В последнее время возникло и оформилось целое научное направление,
связанное с вейвлет-анализом [Витязев, 2001]. Вейвлеты широко применяются
для фильтрации и предварительной обработки данных, анализа и
прогнозиро-
вания временных рядов.
При моделировании временных рядов широкое распространение получи-
ли метод регрессионного моделирования и комплексные модели. Среди ком-
плексных моделей выделим модель «авторегрессии проинтегрированного
скользящего среднего» (АРПСС (p,d,q) или ARIMA (p,d,q)) [Бокс-Дженкинс,
1974; Канторович, 2002]. Популярность модели класса ARIMA обусловлена не-
сколькими факторами: она позволяет упростить процесс разработки модели
временного ряда, получить модели
широкого класса временных рядов (стацио-
нарных и нестационарных) с приемлемыми показателями точности, снизить
требования к уровню квалификации пользователя и реализована в распростра-
ненных статистических пакетах.