Интеллектуальный анализ временных рядов. Ярушкина Н.Г - 296 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

296
ли ВР в терминах нечетких тенденций имеют для краткосрочного прогноза
хорошие результаты, как по критериям качества моделирования и оценки
прогноза нечетких тенденций, так и для оценки числовых уровней ВР. Пола-
гая, что лиц, принимающих решения, часто интересует знания о будущих
тенденциях и закономерностях изменения в них в самом ближайшем
буду-
щем, ниже приведем именно такие примеры, связанные с получением крат-
косрочных прогнозов нечетких элементарных тенденций, а также и оценки чи-
словых уровней временных рядов.
В эксперименте были использованы следующие авторские нечеткие
модели тенденций:
F2S(Х,Y,Z), F1N(Х,Y,Z), F3N1S(Х,Y,Z) и для сравнения
программная реализация нечетких моделей S(Х,Y,Z) [Song, 1993], D(Х,Y,Z)
[Şah, 2004]. В этих моделях Х обозначает мощность генерируемой
ACL-шкалы, Y – порядок модели, Z – разбиение ряда (количество тестовых
интервалов для прогноза). В некоторых моделях будет использоваться алго-
ритм отбора нечетких правил, в этом случае к модели будет добавлен текст
«+ отбор».
В вычислительном эксперименте
были использованы следующие вре-
менные ряды:
№1 – временной ряд цены акций одного предприятия (данные взяты из
работы [Кремер, 2007]).
№2 – временной ряд статьи 211 «Доходов и расходов» одной бюджет-
ной организации.
№3 – временной ряд, содержащий данные о поступающих в Алабам-
ский университет за 22 года, начиная с 1971 года (данные взяты из работы
[Song, 1993]).
№
4 – временной ряд статьи 223 «Доходов и расходов» одной бюджет-
ной организации.
№5 – временной ряд (приведен не полностью), взятый с сайта
http://www.neural-forecasting-competition.com/NN5/index.htm, посвященного
тестированию новых интеллектуальных моделей временных рядов и их
сравнению со статистическими моделями (NN5-2005).

Страницы