Гібридні математичні моделі та методи прогнозування часових рядів з урахуванням зовнішніх чинників

Автор(и)

  • Виталий Николаевич Щелкалин Харківський національний університет радіоелектроніки просп. Леніна, 14, м. Харків, Україна, 61166, Україна

DOI:

https://doi.org/10.15587/1729-4061.2014.31729

Ключові слова:

прогнозування, структурна ідентифікація, декомпозиційна модель, метод Бокса-Дженкінса, метод «Гусениця»-SSA

Анотація

В роботі запропоновано математичні моделі прогнозування нестаціонарних часових рядів з урахуванням зовнішніх чинників і методи їх структурної ідентифікації, засновані на спільному використанні багатовимірного варіанта методу «Гусениця»-SSA та моделей SARIMAX, розширених для прогнозування часових рядів з кількома періодичними компонентами і з урахуванням декількох екзогенних змінних. Експериментальні результати показують високу ефективність запропонованих моделей прогнозування при виборі відповідних структурних параметрів у порівнянні з моделями SARIMAX.

Біографія автора

Виталий Николаевич Щелкалин, Харківський національний університет радіоелектроніки просп. Леніна, 14, м. Харків, Україна, 61166

Асистент кафедри прикладної математики

Посилання

  1. Evdokimov, A. G., Tevyashev, A. D. (1980). Operativnoe upravlenie potokoraspredeleniem v inzhenernykh setyakh. Khar'kov: Vishcha shkola, 144.
  2. Golyandina, N. E. (2004). Metod «Gusenitsa»-SSA: analiz vremennykh ryadov. Sankt-Peterburg: S.-Peterburgskiy gosudarstvennyy universitet, 74.
  3. Golyandina, N., Nekrutkin, V., Zhigljavsky, A. (2005). Varianty metoda «Gusenitsa»-SSA dlya prognoza mnogomernykh vremennykh ryadov. Trudy IV mezhdunar. konf. Moskva «Identifikatsiya sistem i zadachi upravleniya». Moskow, 1831–1848.
  4. Shchelkalin, V. N. (2014). “Caterpillar”-SSA and Box-Jenkins hybrid models and methods for time series forecasting. Eastern-European Journal of enterprise Technologies, 5/4(71), 43–62. http://journals.uran.ua/eejet/article/view/28172/25654 doi: 10.15587/1729-4061.2014.28172
  5. Lawrance, A. J., Kottegoda, N. T. (1977). Stochasting modelling of riverflow time series. Journal of the Royal Statistical Society. Series A (General), 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. Ecological Modelling, 183 (1), 67–75. doi: 10.1016/j.ecolmodel.2004.08.001
  8. Fraedrich, K. (1986). Estimating the dimension of weather and climate attractor. Journal of the Atmospheric Sciences, 43, 419–432.
  9. Vautard, R., Ghil, M. (1989). Singular spectrum analysis in nonlinear dynamics, with applications to paleoclimatic time series. Physica D: Nonlinear Phenomena, 35 (3), 395–424. doi: 10.1016/0167-2789(89)90077-8
  10. 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
  11. Yiou, P., Baert, E., Loutre, M.F. (1996). Spectral analysis of climate data. Surveys in Geophysics, 17 (6), 619–663. doi: 10.1007/bf01931784
  12. Golyandina, N. (2001). Analysis of time series structure: SSA and related techniques. Chapman and Hall/CRC, 320.
  13. 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, 1172–1179.
  14. Hassani, H., Heravi, S., Zhigljavscky, A. (2009). Forecasting European industrial production with singular spectrum analysis. International Journal of Forecasting, 25 (1), 103–118. doi: 10.1016/j.ijforecast.2008.09.007
  15. 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.
  16. 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 Power Tech, 1090–1093. doi: 10.1109/pct.2007.4538467
  17. Qiang, Z., Ben, D. W., Bin, H., Yong, P., Ming, L. R. (2011). Singular Spectrum Analysis and ARIMA Hybrid Model for Annual Runnoff Forecasting. Water Resources Management, 25 (11), 2683–2703. doi: 10.1007/s11269-011-9833-y
  18. 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.
  19. Shchelkalin, V. N. (2011). Ot idei metodov «Gusenitsa»-SSA i Boksa-Dzhenkinsa do dekompozitsionnogo metoda prognozirovaniya i dekompozitsionnoi INS. Vostochno-Evropeiskii zhurnal peredovykh tekhnologii, 59–69.
  20. de Souza, R. M., Menezes, M., Souza, R. C., Pessanha, J. F. M., Junior, L. A. T., Cassiano, K. M. (2012). SSA, Hierarchical Clustering and ARIMA Models in Forecasting Reservoir Inflows. The 32nd Annual International Symposium on Forecasting ISF, 11–25.
  21. de Souza, R. M., Menezes, M., Souza, R. C., Pessanha, J. F. M., Junior, L. A. T., Cassiano, K. M. (2012). Streamflow Forecasting Using Singular Spectrum Analysis, ARIMA Model And Artificial Neural Network. The 32nd Annual International Symposium on Forecasting ISF, 33–47.
  22. Cassiano, K., Menezes, M., Junior L. F., Pessanha, J., Souza Raf., Souza R. (2014). ARIMA Model, Neural Networks and SSA in the Short Term Electric Load Forecast. Economic Forecasting – Past, Present and Future: International Symposium of Forecasting ISF, 1–23.
  23. Boks, Dzh., Dzhenkins G. (1974). Analiz vremennykh ryadov. Prognoz i upravlenie. Mir, 406.
  24. Evdokimov, A. G., Tevyashev A. D. Ob odnom algoritme vyyavleniya skrytoi periodichnosti. Avtomatizirovannye sistemy upravleniya i pribory avtomatiki. Khar'kov, 43, 60–64.
  25. Golyandina, N. E. (2004). Metod «Gusenitsa»-SSA: prognoz vremennykh ryadov. Sankt-Peterburg: S.-Peterburgskiy gosudarstvennyy universitet, 52.
  26. Sedov, A. V. (2010). Modelirovanie obyektov s diskretno-raspredelennymi parametrami: dekompozitsionnyy podkhod. Moskva: Nauka, 438.
  27. Chumak, O. V. (2011). Entropii i fraktaly v analize dannykh. Izhevsk: Institut komp'yuternykh issledovaniy, 164.

##submission.downloads##

Опубліковано

2014-12-22

Як цитувати

Щелкалин, В. Н. (2014). Гібридні математичні моделі та методи прогнозування часових рядів з урахуванням зовнішніх чинників. Eastern-European Journal of Enterprise Technologies, 6(4(72), 38–58. https://doi.org/10.15587/1729-4061.2014.31729

Номер

Розділ

Математика та кібернетика - прикладні аспекти