Интеллектуальный анализ временных рядов. Ярушкина Н.Г - 306 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

306
Таблица 6.11
Сравнение моделей для прогноза ВР №5
1. Модель МАРЕ TTend MSE
2. F1N(13,1,2)
1 0 0,164
3. ARIMA(1,0,0)
4.
на 2 интервала
30
нет 121
5. F3N1S
(6,2,5)+отбор
15 10 40
6. F2S(10,1,10)
22 5 105,5
7. S(10,1,10) 25 40 73
8. D(10,1,10) 23 30 67
Как видно из табл. 6.11, метод нечеткого моделирования ВР в терминах
нечетких тенденций в сравнении с результатами лучших методов, заявленных
на европейском соревновании моделей ВР NN5, показал удовлетворительные
результаты числового прогноза. Отметим, что модель, основанная на нечетких
правилах следования нечетких тенденций, не генерирует правила для сезонных
компонент ВР, поэтому получаемые результаты здесь
не достаточно точны.
Использование нечеткого сглаживания временного ряда
При использовании моделей ВР на основе нечетких элементарных тен-
денций для краткосрочного прогнозирования временных рядов использовался
подход, при котором исходный ВР не подвергался предварительной обработке.
На практике часто интерес представляет выявление основной тенденции и про-
гноз именно этой тенденции. Для построения моделей
основной тенденции
применяют методы сглаживания временного ряда. В реализованном пакете
прикладных программ также предусмотрен метод нечеткого сглаживания вре-
менных рядов на основе метода F-преобразований [Perfilieva, 2006].
На рис. 6.17 приведены графики исходного ВР №2 и результат его сгла-
живания на основе метода F-преобразований с параметром, равным 5.

Страницы