Розробка методу побудови оптимальної моделі прогнозування часових рядів на основі принципу конкуренції

Автор(и)

  • Оксана Юріївна Мулеса Державний вищий навчальний заклад «Ужгородський національний університет», Україна https://orcid.org/0000-0002-6117-5846
  • Ігор Федорович Повхан Державний вищий навчальний заклад «Ужгородський національний університет», Україна https://orcid.org/0000-0002-1681-3466
  • Тамара Анатоліївна Радівілова Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-5975-0269
  • Oleksii Baranovskyi Blekinge Institute of Technology, Швеція https://orcid.org/0000-0001-5629-5205

DOI:

https://doi.org/10.15587/1729-4061.2021.240847

Ключові слова:

часовий ряд, домінуючі прогнозні моделі, волатильність, точність прогнозу, оптимальна модель

Анотація

Виконано аналіз проблеми прогнозування на основі часових рядів. Відзначено, що етапу власне прогнозування передують етапи відбору методів прогнозування, визначення критерію якості прогнозу та задання оптимального кроку передісторії. Як один з критеріїв якості прогнозу розглядається його волатильність. Покращення волатильності прогнозу дозволить забезпечити зменшення абсолютної величини відхилення прогнозних значень від реальних даних. Такий критерій доцільно використовувати при прогнозуванні в медицині та інших суспільно важливих галузях.

Для реалізації принципу конкуренції між методами прогнозування пропонується виконувати їх класифікацію, виходячи із величин відхилень результатів прогнозу від точних значень елементів часового ряду. Введено поняття домінування між методами прогнозування та визначено правила для відбору домінуючих і достатньо точних прогнозних моделей. Використання розроблених правил дозволить на попередніх етапах аналізу часового ряду з переліку доступних до використання прогнозних моделей відкинути заздалегідь програшні.

Відповідно до розробленого методу, після застосування зазначених правил, виконується побудова системи функцій. Функції відрізняються наборами прогнозних моделей, результати прогнозування яких беруться до уваги. Змінними у функціях є вагові коефіцієнти з якими прогнозні моделі включаються у них. Оптимальні значення змінних та оптимальна модель обираються в результаті мінімізації побудованих функцій.

Виконано експериментальна верифікація розробленого методу. Показано, що розроблений метод дозволив зменшити похибку прогнозування з 0,477 і 0,427 для базових моделей до 0,395 та покращити волатильність прогнозу з 1969,489 та 1974,002 до 1607,065.

Біографії авторів

Оксана Юріївна Мулеса, Державний вищий навчальний заклад «Ужгородський національний університет»

Доктор технічних наук, доцент

Кафедра програмного забезпечення систем

Ігор Федорович Повхан, Державний вищий навчальний заклад «Ужгородський національний університет»

Доктор технічних наук, доцент

Кафедра програмного забезпечення систем

Тамара Анатоліївна Радівілова, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор

Кафедра інфокомунікаційної інженерії ім. В. В. Поповського

Oleksii Baranovskyi, Blekinge Institute of Technology

Philosophy Doctor, Senior Lecturer

Посилання

  1. Wei, W. W. (2013). Time series analysis. The Oxford Handbook of Quantitative Methods in Psychology: Vol. 2. doi: http://doi.org/10.1093/oxfordhb/9780199934898.013.0022
  2. Khair, U., Fahmi, H., Al Hakim, S., Rahim, R. (2017). Forecasting error calculation with mean absolute deviation and mean absolute percentage error. Journal of Physics: Conference Series, 930 (1), 012002. doi: http://doi.org/10.1088/1742-6596/930/1/012002
  3. Geche, F., Batyuk, A., Mulesa, O., Voloshchuk, V. (2020). The Combined Time Series Forecasting Model. 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), 272–275. doi: http://doi.org/10.1109/dsmp47368.2020.9204311
  4. Mulesa, O., Geche, F., Batyuk, A., Buchok, V. (2017). Development of combined information technology for time series prediction. Conference on Computer Science and Information Technologies. Cham: Springer, 361–373. doi: http://doi.org/10.1007/978-3-319-70581-1_26
  5. Adam, S. P., Alexandropoulos, S. A. N., Pardalos, P. M., Vrahatis, M. N. (2019). No free lunch theorem: A review. Approximation and optimization. Cham: Springer, 57–82. doi: http://doi.org/10.1007/978-3-030-12767-1_5
  6. Taylor, S. J., Letham, B. (2018). Forecasting at Scale. The American Statistician, 72 (1), 37–45. doi: http://doi.org/10.1080/00031305.2017.1380080
  7. Pole, A., West, M., Harrison, J. (2017). Applied Bayesian forecasting and time series analysis. New York: Chapman and Hall/CRC, 432. doi: http://doi.org/10.1201/9781315274775
  8. Dolgikh, S., Mulesa, O. (2021). Covid-19 epidemiological factor analysis: Identifying principal factors with machine. CEUR Workshop Proceedings, 2833, 114–123.
  9. Yan, W. (2012). Toward Automatic Time-Series Forecasting Using Neural Networks. IEEE Transactions on Neural Networks and Learning Systems, 23 (7), 1028–1039. doi: http://doi.org/10.1109/tnnls.2012.2198074
  10. Wan, R., Mei, S., Wang, J., Liu, M., Yang, F. (2019). Multivariate Temporal Convolutional Network: A Deep Neural Networks Approach for Multivariate Time Series Forecasting. Electronics, 8 (8), 876. doi: http://doi.org/10.3390/electronics8080876
  11. Sagheer, A., Kotb, M. (2019). Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing, 323, 203–213. doi: http://doi.org/10.1016/j.neucom.2018.09.082
  12. Cai, Q., Zhang, D., Zheng, W., Leung, S. C. H. (2015). A new fuzzy time series forecasting model combined with ant colony optimization and auto-regression. Knowledge-Based Systems, 74, 61–68. doi: http://doi.org/10.1016/j.knosys.2014.11.003
  13. Wang, L., Wang, Z., Qu, H., Liu, S. (2018). Optimal Forecast Combination Based on Neural Networks for Time Series Forecasting. Applied Soft Computing, 66, 1–17. doi: http://doi.org/10.1016/j.asoc.2018.02.004
  14. Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36 (1), 75–85. doi: http://doi.org/10.1016/j.ijforecast.2019.03.017
  15. Mulesa, O., Geche, F., Voloshchuk, V., Buchok, V., Batyuk, A. (2017). Information technology for time series forecasting with considering fuzzy expert evaluations. 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT), 1, 105–108. doi: http://doi.org/10.1109/stc-csit.2017.8098747
  16. Feng, Z., Niu, W. (2021). Hybrid artificial neural network and cooperation search algorithm for nonlinear river flow time series forecasting in humid and semi-humid regions. Knowledge-Based Systems, 211, 106580. doi: http://doi.org/10.1016/j.knosys.2020.106580
  17. Xu, W., Peng, H., Zeng, X., Zhou, F., Tian, X., Peng, X. (2019). A hybrid modelling method for time series forecasting based on a linear regression model and deep learning. Applied Intelligence, 49 (8), 3002–3015. doi: http://doi.org/10.1007/s10489-019-01426-3
  18. Kuchansky, A., Biloshchytskyi, A., Bronin, S., Biloshchytska, S., Andrashko, Y. (2019). Use of the Fractal Analysis of Non-stationary Time Series in Mobile Foreign Exchange Trading for M-Learning. Interactive Mobile Communication, Technologies and Learning. Cham: Springer, 950–961. doi: http://doi.org/10.1007/978-3-030-49932-7_88
  19. Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Biloshchytska, S., Shabala, Y., Myronov, O. (2018). Development of adaptive combined models for predicting time series based on similarity identification. Eastern-European Journal of Enterprise Technologies, 1 (4 (91)), 32–42. doi: http://doi.org/10.15587/1729-4061.2018.121620
  20. Andersen, T. G., Bollerslev, T., Christoffersen, P., Diebold, F. X. (2005). Volatility forecasting. doi: http://doi.org/10.3386/w11188
  21. Personal remittance, received – Ukraine. Available at: https://data.worldbank.org/indicator/BX.TRF.PWKR.CD.DT?end=2019&locations=UA&most_recent_year_desc=false&start=1996&view=chart

##submission.downloads##

Опубліковано

2021-10-29

Як цитувати

Мулеса, О. Ю., Повхан, І. Ф., Радівілова, Т. А., & Baranovskyi, O. (2021). Розробка методу побудови оптимальної моделі прогнозування часових рядів на основі принципу конкуренції. Eastern-European Journal of Enterprise Technologies, 5(4 (113), 6–11. https://doi.org/10.15587/1729-4061.2021.240847

Номер

Том 5 № 4 (113) (2021): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2021 Oksana Mulesa, Igor Povkhan, Tamara Radivilova, Oleksii Baranovskyi

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.