Гібридні моделі та методи прогнозування часових рядів на основі методів «Гусениця»-SSA та Бокса-Дженкінса
DOI:
https://doi.org/10.15587/1729-4061.2014.28172Ключові слова:
прогнозування часових рядів, структурна ідентифікація моделі, декомпозиційна модель, метод Бокса-Дженкінса, метод «Гусениця»-SSAАнотація
В роботі запропоновано гібридні математичні моделі різної складності для прогнозування часових рядів і методи їх структурної ідентифікації. Методи прогнозування, що було розроблено, засновані на спільному використанні методів «Гусениця»-SSA та Бокса-Дженкінса, а гібридні математичні моделі, які синтезовано на їх основі, є пріоритетними на сьогоднішній день імовірнісно-детермінованими декомпозиційними моделями. Експериментальні результати показують ефективність запропонованих методів прогнозування.
Посилання
1. Sedov, A. V. (2010). Modelirovanie obyektov s diskretno-raspredelennymi parametrami: dekompozitsionnyy podkhod. Moskow: Nauka, 438.
2. Benn, D. V., Farmer, E. D. (1987). Sravnitelnye modeli prognozirovaniya elektricheskoy nagruzki. Moskva: Energoatomizdat, 200.
3. Qiang Zhan, Ben De Wang, Bin He, Yong Peng, Ming Lei Ren. (2011). Singular Spectrum Analysis and ARIMA Hybrid Model for Annual Runnoff Forecasting. Water Resour Manage, 25 (11), 2683–2703 doi: 10.1007/s11269-011-9833-y
4. Evdokimov, A. G., Tevyashev, A. D. (1980). Operativnoe upravlenie potokoraspredeleniem v inzhenernykh setyakh. Kharkiv: Vishcha shkola, 144.
5. Lawrance, A. J., Kottegoda, N. T. (1977). Stochasting modelling of riverflow time series. J. R. Stat. Soc. A., 140 (1), 1–47. doi: 10.2307/2344516
6. Fernando, D. A. K., Jayawardena, W. A. (1994). Generation and forecasting of monsoon rainfall data. In Proc. of the 20th WEDC conference. Colombo, Sri Lanka, 310–313.
7. Yurekli, K., Kurunca, A., Ozturkb, F. (2005). Application of linear stochastic models to monthly flow data of Kelkit Stream. Ecol Model, 183 (1), 67–75. doi: 10.1016/j.ecolmodel.2004.08.001
8. Broomhead, D. S., King, G. P. (1986). Extracting qualitative dynamics from experimental data. Physica D, 20 (2-3), 217–236. doi: 10.1016/0167-2789(86)90031-x
9. Fraedrich, K. (1986). Estimating the dimension of weather and climate attractor. J. Atmos Sci, 43, 419–432.
10. Vautard, R., Ghil, M. (1989). Singular spectrum analysis in nonlinear dynamics, with applications to paleoclimatic time series. Physica D, 35 (3), 395–424. doi: 10.1016/0167-2789(89)90077-8
11. Ghil, M., Vautard, R. (1991). Interdecadal oscillations and the warming trend in global temperature time series. Nature, 350 (6316), 324–327. doi: 10.1038/350324a0
12. Yiou, P., Baert, E., Loutre, M. F. (1996). Spectral analysis of climate data. Surv Geophys, 17 (6), 619–663. doi: 10.1007/bf01931784
13. Lisi, F., Nicolis, O., Sandri, M. (1995). Combination of singular spectrum analysis and auto regressive model for short term load forecasting. Neural Process Lett, 2 (4), 6–10.
14. Sivapragasam, C., Liong, S. Y., Pasha, M. F. K. (2001). Rainfall and discharge forecasting with SSA-SVM approach. J. Hydroinform, 3 (7), 141–152.
15. Golyandina, N., Nekrutkin, V. Zhigljavsky, A. (2001). Analysis of time series structure: SSA and related techniques. Chapman and Hall/CRC. New York. doi: 10.1201/9781420035841
16. Marques, C. A. F., Ferreira, J. A., Rocha, A., Castanheira, J. M., Melo-Goncalves, P., Vaz., N., Dias, J. M. (2005). Singular spectrum analysis and forecasting of hydrological time series. In Meeting of the European-Union-of-Geosciences.Vienna,Austria.
17. Hassani, H., Heravi, S., Zhigljavscky, A. (2009). Forecasting European industrial production with singular spectrum analysis. Int. J. Forecast, 25 (1), 103–118. doi: 10.1016/j.ijforecast.2008.09.007
18. Dai, W., Lu, C.-J. (2008). Financial Time Series Forecasting Using A Compound Model Based on Wavelet Frame and Support Vector Regression. In the 4th International Conference on Neural Computation, 328–332. doi: 10.1109/icnc.2008.455
19. Kurbatskii, V. G., Sidorov, D. N., Spiryaev, V. A., Tomin, N. V. (2011). On the Neural Network Approach for Forecasting of Nonstationary Time Series on The Basis of the Hilbert-Huang Transform. Automation and Remote Control, 72 (7), 1405–1414. doi: 10.1134/s0005117911070083
20. Zhang, W. Q., Xu C. (2011). Time series forecasting method based on Huang transform and BP neural network. In Proc. Of the 7thInternational Conference on Computational Intelligence and Security, 497–502. doi: 10.1109/cis.2011.116
21. Lu, C.-J., Wu, J.-Y., Lee, T.-S. (2009). ICA-Based Signal Reconstruction Scheme with Neural Network in Time Series Forecasting. In First Conference on Intelligent Information and Database Systems, 318–323. doi: 10.1109/aciids.2009.28
22. Xiang, L., Zhu, Y., Tang, G.-J. (2009). A hybrid support vector regression for time series forecasting. In World Congress on Software Engineering, 161–165. doi: 10.1109/wcse.2009.130
23. Sallehuddin, R., Shamsuddin, S. M., Hashim, S. Z. M. (2008). Hybridization Model of Linear and Nonlinear Time Series Data for Forecasting. In Second Asia International Conference on Modelling & Simulation, 597–602. doi: 10.1109/ams.2008.142
24. Hippert, H. S., Pedreira, C. E., Souza, R. C. (2000). Combining Neural Networks and ARIMA Models for Hourly Temperature Forecast. In Proceedings of the International Joint Conference on Neural Networks, 1–6. doi: 10.1109/ijcnn.2000.860807
25. Xuemei, L., Lixing, D., Ming, S., Gang, X., Jibin, L. (2009). A Novel Air-conditioning Load Prediction Based on ARIMA and BPNN Model. In Asia-Pacific Conference on Information Processing, 51–54. doi: 10.1109/apcip.2009.21
26. Tian, F. P., Ma, L. L. (2010). Forecast of Cerebral Infraction Incidence Rate Based on BP Neural Network and ARIMA Combined Model. In International Symposium on Intelligence Information Processing and Trusted Computing, 216–219. doi: 10.1109/iptc.2010.7
27. Kong, F., Wu, X. (2008). Time Series Forecasting Model with Error Correction by Structure Adaptive Support Vector Machine. In International Conference on Computer Science and Software Engineering, 1067–1070. doi: 10.1109/csse.2008.88
28. Lo, J.-H. (2012). A Data-Driven Model for Software Reliability Prediction. In International Conference on Granular Computing, 1–6. doi: 10.1109/grc.2012.6468581
29. He, Y., Zhu, Y., Duan, D. (2006). Research on Hybrid ARIMA and Support Vector Machine Model in Short Term Load Forecasting. In Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications, 1–5. doi: 10.1109/isda.2006.229
30. Ngo, L. B., Apon, A., Hoffman, D. (2012). An Empirical Study on Forecasting using Decomposed Arrival Data of an Enterprise Computing System. In 9th International Conference on Information Technology- New Generations, 756–763. doi: 10.1109/itng.2012.36
31. Hou, Z., Makarov, Y. V., Samaan, N. A., Etingov, P. V. (2013). Standardized Software for Wind Load Forecast Error Analyses and Predictions Based on Wavelet-ARIMA Models – Applications at Multiple Geographically Distributed Wind Farms. In Hawaii International Conference on System Sciences, 5005–5011. doi: 10.1109/hicss.2013.495
32. Shchelkalin, V. N. (2012). Trendovyy podkhod prognozirovaniya vremennykh ryadov na osnove metoda «Gusenitsa»-SSA. Materialy 14-y Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii SAIT. Kiev, 258–259.
33. Vahabie, A. H., Yousefi, M. M. R., Araabi, B. N., Lucas, C., Barghinia, S. (2007). Combination of Singular Spectrum Analysis and Autoregressive Model for short term load forecasting. IEEE LAUSANNE POWERTECH, 1090–1093. doi: 10.1109/pct.2007.4538467
34. Shchelkalin, V. N. (2012). Dekompozitsionnyy podkhod prognozirovaniya vremennykh ryadov na osnove metoda «Gusenitsa»-SSA. Materialy 14-y Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii SAIT. Kiev, 258–259.
35. Golyandina, N. E. (2004). Metod «Gusenitsa»-SSA: prognoz vremennykh ryadov. Sankt-Peterburg: S. Peterburgskiy gosudarstvennyy universitet, 52.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2014 Виталий Николаевич Щелкалин
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.
