Робастне оцінювання області адекватності прогнозної однопараметричної моделі експоненціального згладжування
DOI:
https://doi.org/10.15587/1729-4061.2020.205843Ключові слова:
експоненціальне згладжування, інверсна верифікація, адекватність прогнозної моделі, робастне інтервальне оцінюванняАнотація
Розглянуто задачу параметричного синтезу прогнозної однопараметричної моделі експоненціального згладжування для предиктивного оцінювання значень показників організаційно-технічної системи. Для виділення інтервалів заданої якості на області допустимих значень внутрішнього параметра обраний критерій абсолютної похибки множинного прогнозу. Його використання дозволило сформувати аналітичну ретроспективну модель з «м'якими» обмеженнями. В результаті розроблений метод робастного оцінювання області адекватності прогнозної однопараметричної моделі експоненціального згладжування, який дозволяє аналітично оцінювати межі області адекватності прогнозної моделі в залежності від вимог до її ретроспективної точності. Запропонований метод дає можливість користувачеві задавати набір допустимих ретроспективних похибок в залежності від вимог технічного завдання на прогнозування. Запропонований метод може бути використаний для параметричного налаштування однопараметричних прогнозних моделей і служить інструментом підтримки прийняття рішень в процесі прогнозування. Результати моделювання являють собою інтервальні оцінки, використання яких в процесі параметричного синтезу краще точкових. На відміну від пошукових методів, аналітична форма ретроспективних залежностей дозволяє отримувати рішення з високою точністю і при необхідності надає аналітику можливості для графічного аналізу області адекватності моделі. На прикладі показаний фрагмент оцінювання динаміки часового ряду при ретроспективному аналізі глибиною в три значення і заданих граничних відносних похибках в 1–4 %. За таких умов область для обґрунтованого вибору настроювального параметра визначається об'єднаними інтервалами шириною близько 20 % від початкової області допустимих значень
Посилання
- Romanenkov, Y., Vartanian, V. (2016). Formation of prognostic software support for strategic decision-making in an organization. Eastern-European Journal of Enterprise Technologies, 2 (9 (80)), 25–34. doi: https://doi.org/10.15587/1729-4061.2016.66306
- De Baets, S., Harvey, N. (2020). Using judgment to select and adjust forecasts from statistical models. European Journal of Operational Research, 284 (3), 882–895. doi: https://doi.org/10.1016/j.ejor.2020.01.028
- Shorikov, A. F., Butsenko, E. V. (2006). Problema vybora metoda prognozirovaniya rezul'tatov investitsionnogo proektirovaniya. Journal of new economy, 5 (17), 183–191. Available at: https://cyberleninka.ru/article/n/problema-vybora-metoda-prognozirovaniya-rezultatov-investitsionnogo-proektirovaniya
- Samarskiy, A. A., Mihaylov, A. P. (2005). Matematicheskoe modelirovanie: idei, metody, primery. Moscow: Fizmatlit, 320. Available at: https://biblioclub.ru/index.php?page=book_red&id=68976
- Kublanov, M. S. (2015). Check of the mathematical model adequacy. Civil Aviation High Technologies, 211, 29–36. Available at: https://avia.mstuca.ru/jour/article/view/373
- Hyndman, R., Koehler, A., Ord, K., Snyder, R. (2008). Forecasting with Exponential Smoothing: The State Space Approach. Springer, 362. doi: https://doi.org/10.1007/978-3-540-71918-2
- De Oca, M. A. M., Ferrante, E., Scheidler, A., Rossi, L. F. (2013). Binary Consensus via Exponential Smoothing. Complex Sciences, 244–255. doi: https://doi.org/10.1007/978-3-319-03473-7_22
- Vasiliev, A. A. (2013). The method of selecting smoothing constant in the forecasting model Brown. Vestnik TvGU. Seriya: Ekonomika i upravlenie, 17, 183–196. Available at: https://core.ac.uk/download/pdf/74270258.pdf
- De Livera, A. (2010). Automatic Forecasting with a Modified Exponential Smoothing State Space Framework. Monash University. Available at: https://core.ac.uk/download/pdf/6340705.pdf
- Corberán-Vallet, A., Bermúdez, J. D., Segura, J. V., Vercher, E. (2010). A Forecasting Support System Based on Exponential Smoothing. Intelligent Systems Reference Library, 181–204. doi: https://doi.org/10.1007/978-3-642-13639-9_8
- Shastri, S., Sharma, A., Mansotra, V., Sharma, A., Bhadwal, A. S., Kumari, M. (2018). A Study on Exponential Smoothing Method for Forecasting. International Journal of Computer Sciences and Engineering, 6 (4), 482–485. doi: https://doi.org/10.26438/ijcse/v6i4.482485
- Wan Ahmad, W. K. A., Ahmad, S. (2013). Arima model and exponential smoothing method: A comparison. AIP Conference Proceedings. doi: https://doi.org/10.1063/1.4801282
- Butakova, M. M. (2008). Ekonomicheskoe prognozirovanie: metody i priemy prakticheskih raschetov. Moscow: KNORUS, 168.
- Lipatova, N. G. (2015). Imitatsionnoe modelirovanie protsessov tamozhennogo kontrolya. Moscow: Izd-vo Rossiyskoy tamozhennoy akademii, 164. Available at: http://rta.customs.ru/nrta/attachments/3756_978-5-9590-0846-8.pdf
- Billah, B., King, M. L., Snyder, R. D., Koehler, A. B. (2006). Exponential smoothing model selection for forecasting. International Journal of Forecasting, 22 (2), 239–247. doi: https://doi.org/10.1016/j.ijforecast.2005.08.002
- Budaev, P. V. (2009). Prakticheskoe primenenie kolichestvennyh metodov prognozirovaniya. System Research & Information Technologies, 2, 92–106. Available at: https://ela.kpi.ua/bitstream/123456789/7771/1/08_Budae.pdf
- Litvinov, V. V., Zadorozhniy, A. A. (2014). Instrumental'nye sredstva sozdaniya modeley v usloviyah nepolnoty dannyh. Matematicheskie mashiny i sistemy, 4, 60–71. Available at: https://cyberleninka.ru/article/n/instrumentalnye-sredstva-sozdaniya-modeley-v-usloviyah-nepolnoty-dannyh
- Botchkarev, A. (2019). A New Typology Design of Performance Metrics to Measure Errors in Machine Learning Regression Algorithms. Interdisciplinary Journal of Information, Knowledge, and Management, 14, 045–076. doi: https://doi.org/10.28945/4184
- Yager, R. R. (2013). Exponential smoothing with credibility weighted observations. Information Sciences, 252, 96–105. doi: https://doi.org/10.1016/j.ins.2013.07.008
- Mayer, G. (2017). Interval Analysis. De Gruyter, 518. doi: https://doi.org/10.1515/9783110499469
- Olive, D. J. (2017). Robust Multivariate Analysis. Springer. doi: https://doi.org/10.1007/978-3-319-68253-2
- Cipra, T. (1992). Robust exponential smoothing. Journal of Forecasting, 11 (1), 57–69. doi: https://doi.org/10.1002/for.3980110106
- Crevits, R., Croux, C. (2017). Forecasting Using Robust Exponential Smoothing with Damped Trend and Seasonal Components. SSRN Electronic Journal. doi: https://doi.org/10.2139/ssrn.3068634
- Van den Broeke, M., De Baets, S., Vereecke, A., Baecke, P., Vanderheyden, K. (2019). Judgmental forecast adjustments over different time horizons. Omega, 87, 34–45. doi: https://doi.org/10.1016/j.omega.2018.09.008
- Vasiliev, A. A. (2012). The selection criteria of forecast models (review). Vestnik TvGU. Seriya: Ekonomika i upravlenie, 13, 133–148. Available at: https://docplayer.ru/65174367-Kriterii-selekcii-modeley-prognoza-obzor-a-a-vasilev.html
- Romanenkov, Yu. (2015). Analysis of the predictive properties of Brown's model in the extended domain of the internal parameter. MOTROL. Commission of Motorization and Energetics in Agriculture, 17 (8), 27–34. Available at: https://www.researchgate.net/publication/315692053_Analysis_of_the_predictive_properties_of_Brown%27s_model_in_the_extended_domain_of_the_internal_parameter
- Romanenkov, Yu. А., Zieiniiev, T. G. (2014). Method of parametric synthesis of brown’s model based on retrospective multi-objective optimization. Zbirnyk naukovykh prats. Seriya: haluzeve mashynobuduvannia, budivnytstvo, 2 (41), 48–56. Available at: https://www.researchgate.net/publication/315693687_Metod_parametriceskogo_sinteza_modeli_Brauna_na_osnove_retrospektivnoj_mnogokriterialnoj_optimizacii
- Valeev, S. G., Kuvaiskova, Yu. E., Yudkova, M. V. (2010). Robust methods of estimation: software, effectiveness. Vestnik Ul'yanovskogo gosudarstvennogo tehnicheskogo universiteta, 1 (49), 29–33. Available at: https://cyberleninka.ru/article/n/robastnye-metody-otsenivaniya-programmnoe-obespechenie-effektivnost
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Yuri Romanenkov, Yurii Pronchakov, Tieimur Zieiniiev
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.