Метод побудови прогнозуючої моделі з динамічними вагами

Автор(и)

  • Vladyslav Gorbatiuk Національний технічний університет України "Київський політехнічний інститут", Україна https://orcid.org/0000-0001-5290-1845
  • Victor Sineglazov Інститут аерокосмічних систем управління, Національний авіаційний університет просп. Космонавта Комарова, 1, м. Київ, Україна, 03680, Україна https://orcid.org/0000-0002-3297-9060
  • Olena Chumachenko Національний технічний університет України «Київський політехнічний інститут» просп. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0001-9084-7974

DOI:

https://doi.org/10.15587/1729-4061.2014.21189

Ключові слова:

прогнозування часових рядів, лінійна регресія, Байєсівське усереднення моделей, нейронні мережі

Анотація

Ми представляємо новий метод прогнозування часових рядів, який динамічно знаходить ваги для  вхідних факторів в залежності від конкретних значень самих факторів. Запропонований метод був перевірений на наборі реальних часових рядів і показав кращі результати у порівнянні з методом, що використовувався як базовий.

Біографії авторів

Vladyslav Gorbatiuk, Національний технічний університет України "Київський політехнічний інститут"

Студент 1 курсу ОКР «Магістр»

Кафедра технічної кібернетики

Victor Sineglazov, Інститут аерокосмічних систем управління, Національний авіаційний університет просп. Космонавта Комарова, 1, м. Київ, Україна, 03680

Доктор технічних наук, професор

Кафедра авіаційних комп'ютерно-інтегрованих комплексів

Olena Chumachenko, Національний технічний університет України «Київський політехнічний інститут» просп. Перемоги, 37, м. Київ, Україна, 03056

Кандидат технічних наук, доцент

Кафедра технічної кібернетики

Посилання

  1. Cook, R. D. Influential Observations in Linear Regression [Text] / R. D. Cook // Journal of the American Statistical Association. – 1979. – № 74. – P. 169–174.
  2. Stepashko, V. S. GMDH Algorithms as Basis of Modeling Process Automation after Experimental Data [Text] / V. S. Stepashko // Sov. J. of Automation and Information Sciences. – 1988. – № 21 (4). – Р. 43–53.
  3. Rosenblatt, F. The Perceptron: A Probalistic Model For Information Storage And Organization In The Brain [Text] / F. Rosenblatt // Psychological Review. – 1958. – № 65 (6). – P. 386–408.
  4. Auer, P. A learning rule for very simple universal approximators consisting of a single layer of perceptrons [Text] / P. Auer, B. Harald, M. Wolfgang // Neural Networks. – 2008. – № 21 (5). – P. 786–795.
  5. Elman, J. L. Finding Structure in Time [Text] / J. L. Elman // Cognitive Science. – 1990. – № 14 (2). – P. 179–211.
  6. Benaouda, D. Wavelet-based nonlinear multi-scale decomposition model for electricity load forecasting [Text] / D. Benaouda, F. Murtagh, J. L. Starck, O. Renaud // Neurocomputing. – 2006. – № 70. – P. 139–154.
  7. Akansu, A. N. Wavelet Transforms in Signal Processing: A Review of Emerging Applications [Text] / A. N. Akansu, W. A. Serdijn, I. W. Selesnick // Physical Communication, Elsevier. – 2010. – № 3 (1). – P. 1–18.
  8. Sineglazov, V. An algorithm for solving the problem of forecasting [Text] / V. Sineglazov, E. Chumachenko, V. Gorbatiuk // Aviation. –
  9. – № 17 (1). – P. 9–13.
  10. Cleveland, W. S. Robust Locally Weighted Regression and Smoothing Scatterplots [Text] / W. S. Cleveland // Journal of the American Statistical Association. – 1979. – № 74 (368). – P. 829–836.
  11. Hoeting, J. A. Bayesian Model Averaging: A Tutorial [Text] / J. A. Hoeting, D. Madigan, A. E. Raftery, C. T. Volinsky // Statistical Science. – 1999. – № 14 (4). – P. 382–401.
  12. U.S. General Aviation Aircraft Shipments and Sales [Electronic resource] / Barr Group Aerospace & AeroWeb / Available at: http://www.bga-aeroweb.com/database/Data3/US-General-Aviation-Aircraft-Sales-and-Shipments.xls. – 2014.
  13. Data Sets for Time-Series Analysis [Electronic resource] / Evolutionary and Neural Computation for Time Series Prediction Minisite. – Available at: http://tracer.uc3m.es/tws/TimeSeriesWeb/repo.html - 2005.
  14. Jekabsons, G. GMDH-type Polynomial Neural Networks for Matlab [Electronic resource] / Gints Jekabsons. Regression software and datasets. – Available at: http://www.cs.rtu.lv/jekabsons/ - 2013.
  15. Lendasse, A. Time Series Prediction Competition: The CATS Benchmark [Text] / A. Lendasse, E. Oja, O. Simula, M. Verleysen // International Joint Conference on Neural Networks, Budapest (Hungary), IEEE. – 2004. – P. 1615–1620.
  16. Cook, R. D. (1979). Influential Observations in Linear Regression. Journal of the American Statistical Association, 74, 169–174.
  17. Stepashko, V. S. (1988). GMDH Algorithms as Basis of Modeling Process Automation after Experimental Data. Sov. J. of Automation and Information Sciences, 21 (4), 43–53.
  18. Rosenblatt, F. (1958). The Perceptron: A Probalistic Model For Information Storage And Organization In The Brain. Psychological Review, 65 (6), 386–408.
  19. Auer, P., Harald, B., Wolfgang, M. (2008). A learning rule for very simple universal approximators consisting of a single layer of perceptrons. Neural Networks, 21 (5), 786–795.
  20. Elman, J. L. (1990). Finding Structure in Time. Cognitive Science, 14 (2), 179–211.
  21. Benaouda, D., Murtagh, F., Starck, J. L., Renaud, O. (2006). Waveletbased nonlinear multi-scale decomposition model for electricity load forecasting. Neurocomputing, 70, 139–154.
  22. Akansu, A. N., Serdijn, W. A., Selesnick, I. W. (2010). Wavelet Transforms in Signal Processing: A Review of Emerging Applications. Physical Communication, Elsevier, 3 (1), 1–18.
  23. Sineglazov, V., Chumachenko, E., Gorbatiuk, V. (2013). An algorithm for solving the problem of forecasting, Aviation, 17 (1), 9–13.
  24. Cleveland, W. S. (1979). Robust Locally Weighted Regression and Smoothing Scatterplots. Journal of the American Statistical Association, 74 (368), 829–836.
  25. Hoeting, J. A., Madigan, D., Raftery, A. E., Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial. Statistical Science, 14 (4), 382–401.
  26. U.S. General Aviation Aircraft Shipments and Sales [online] (2012). Available at: http://www.bga-aeroweb.com/database/Data3/US-General-Aviation-Aircraft-Sales-and-Shipments.xls.
  27. Data Sets for Time-Series Analysis [online] (2005). Available at: http://tracer.uc3m.es/tws/TimeSeriesWeb/repo.html.
  28. Jekabsons, G. (2010). GMDH-type Polynomial Neural Networks for Matlab. Available at: http://www.cs.rtu.lv/jekabsons/.
  29. Lendasse, A., Oja, E., Simula, O., Verleysen, M. (2004). Time Series Prediction Competition: The CATS Benchmark. International Joint Conference on Neural Networks, Budapest (Hungary), IEEE, 1615–1620.

##submission.downloads##

Опубліковано

2014-04-08

Як цитувати

Gorbatiuk, V., Sineglazov, V., & Chumachenko, O. (2014). Метод побудови прогнозуючої моделі з динамічними вагами. Eastern-European Journal of Enterprise Technologies, 2(4(68), 4–8. https://doi.org/10.15587/1729-4061.2014.21189

Номер

Том 2 № 4(68) (2014): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2014 Vladyslav Gorbatiuk, Victor Sineglazov, Olena Chumachenko

Creative Commons License

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.