Системний підхід до синтезу матетичних моделей прогнозування взаємопов’язаних нестаціонарних часових рядів

Автор(и)

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

DOI:

https://doi.org/10.15587/1729-4061.2015.40065

Ключові слова:

прогнозування, структурна ідентифікація, метод «Гусениця»-SSA, метод групового урахування аргументів

Анотація

У роботі приведено структурну схему, відповідну для опису практично будь-якої відомої на сьогоднішній день комбінованої, гібридної або декомпозиційної моделі прогнозування часових рядів. На основі даної схеми запропоновано методи ідентифікації розріджених нелінійних моделей взаємопов’язаних нестаціонарних часових рядів на основі методів «Гусениця»-SSA, швидкого ортогонального пошуку, методу групового урахування аргументів та моделей SARIMA.

Біографія автора

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

Асистент кафедри прикладної математики

Посилання

  1. Davydov, V. A., Davydov, A. V. (2010). Ochistka geofizicheskikh dannykh ot shumov s ispol'zovaniem preobrazovaniya Gil'berta-Khuanga: Elektronnoe nauchnoe izdanie "Aktual'nye innovatsionnye issledovaniya: nauka i praktika", 1.
  2. Gorodetsiy, A. E., Tarasova I. I. (2010). Nechetkoe matematicheskoe modelirovanie plokho formalizuemykh protsessov i sistem. SPb.: Izd-vo Politekhi, un-ta, 336.
  3. Strizhov, V. V., Krymova E. A. (2010). Metody vybora regressionnykh modeley. Moscow: Vychislitel'nyy tsentr im. A. A. Dorodnitsyna, 60.
  4. Stragovich, V. G. (1981). Adaptivnoe upravlenie. Moscow: Nauka, 381.
  5. Smolyak, S. A., Titarenko, B. I. (1980) Ustoychivye metody otsenivaniya, Moscow: Statistika, 208.
  6. Sedov, A. V. (2010). Modelirovanie ob"ektov s diskretno-raspre delennymi parametrami: dekompozitsionnyy podkhod. Moscow: Nauka, 438.
  7. Ginsberg, K. S. (2015). Problema strukturnoy identifikatsii dlya tseli proektirovaniya sistemy avtomaticheskogo upravleniya. Trudy X Mezhdunarodnoy konferentsii “Identifikatsiya sistem i zadachi upravleniya”. Moscow: Institut problem upravleniya im. V. A. Trapeznikova RAN, 43–80.
  8. 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. doi: 10.15587/1729-4061.2014.28172
  9. Shchelkalin, V. N. (2014). Hybrid mathematical models and methods of time series forecasting taking into account external factors. Eastern-European Journal of Enterprise Technologies, 6/4 (72), 38–58. doi: 10.15587/1729-4061.2014.31729
  10. Shchelkalin, V. N. (2015). Hybrid mathematical models and methods for forecasting related nonstationary time series. Eastern-European Journal of Enterprise Technologies, 1/4 (73), 42–58. doi: 10.15587/1729-4061.2015.37317
  11. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. doi: 10.1016/s0925-2312(01)00702-0
  12. Jain, A., Kumar, A. (2006). An evaluation of artificial neural network technique for the determination of infiltration model parameters. Applied Soft Computing, 6 (3), 272–282. doi: 10.1016/j.asoc.2004.12.007
  13. Su, C. T., Tong, L. I., Leou, C. M. (1997). Combination of time series and neural network for reliability forecasting modeling. Journal of Chinese Industrial Engineering. 14, 419–429.
  14. Wang, W., Gelder, P. V., Vrijling, J. K. (2005). Improving daily stream flow forecasts by combining ARMA and ANN models. International Conference on Innovation Advances and Implementation of Flood Forecasting Technology.
  15. Onwubolu, G. C. (2008). Design of hybrid differential evolution and group method of data handling networks for modeling and prediction. Information Sciences, 178 (18), 3616–3634. doi: 10.1016/j.ins.2008.05.013
  16. Samsudin, R., Saad, P., Shabri, A. (2011). A hybrid GMDH and least squares support vector machines in time series forecasting. Neural Network World, 21 (3), 251–268. doi: 10.14311/nnw.2011.21.015
  17. Benn, D. V., Farmer, E. D. (1987). Sravnitel'nye modeli prognozirovaniya elektricheskoy nagruzki. Moscow: Energoatomizdat, 200.
  18. Tutubalin, V. N. (1992). Teoriya veroyatnostey i sluchaynykh protsessov. Moscow: Izd-vo MGU, 400.
  19. Prangishvili, I. V., Lototskiy, V. A., Ginsberg, K. S., Smolyaninov, V. V. (2004). Identifikatsiya sistem i zadachi upravle- niya: na puti k sovremennym sistemnym metodologiyam. Problemy upravleniya, 4, 2–15.
  20. Shchelkalin, V. N. (2013). Sistemnyy pokhod k sintezu klassa modeley dlya prognozirovaniya vzaimosvyazannykh nestatsionarnykh vremennykh ryadov. Materialy 15-y Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii SAIT. Kiev: UNK «IPSA» NTUU «KPI», 338–339.
  21. Gorelova, V. L., Mel'nikova, E. N. (1986). Osnovy prognozirovaniya sistem : ucheb. posob. dlya inzh.-ekon. spets. vuzov. Moscow: Vyssh. shk., 287.
  22. Grebenyuk, E. A., Logunov, M. G., Mamikonova, O. A., Pankova, L. A. (2006). Problemy sub"ektivnosti v reshenii zadach upravleniya i prognoza, svyazannykh s analizom vremennykh ryadov. Chelovecheskiy faktor v upravlenii, 156–178.
  23. Valenca, I., Ludermir, T., Valenca, M. (2010). Hybrid Systems to Select Variables for Time Series Forecasting Using MLP and Search Algorithms. Eleventh Brazilizn Symposium on Neural Networks, 247–252. doi: 10.1109/sbrn.2010.50
  24. Leehter, Y. (1999). Genetic algorithm based identification of nonlinear systems by sparse Volterra filters. IEEE Transactions on Signal Processing, 47 (12), 3433–3435. doi: 10.1109/78.806093
  25. Abbas, H. M., Bayoumi, M. M. (2006). Volterra-system identification using adaptive real-coded genetic algorithm. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 36 (4), 671–684. doi: 10.1109/tsmca.2005.853495
  26. Chen, S., Cowan, C. F. N., Grant, P. M. (1991). Orthogonal least squares learning algorithm for radial basis function networks. IEEE Transactions on Neural Networks, 2 (2), 302–309. doi: 10.1109/72.80341
  27. Ivakheneko, A. G., Ivakheneko, G. A. (1995). A review of problems solved by algorithms of the GMDH, Pattern Recognition and Image Analysis, 5 (4), 527–535.
  28. Guyon, I., Elisseeff, A. (2003). An introduction to variable and feature selection. J. Mach. Learn. Res., 3, 1157–1182.
  29. Blum, A. L., Langley, P. (1997). Selection of relevant features and examples in machine learning. Artificial Intelligence, 97 (1-2), 245–271. doi: 10.1016/s0004-3702(97)00063-5
  30. Guzairov, M. B., Il'yasov, B. G., Gerasimova, I. B. (2007). Sistemnyy podkhod k analizu slozhnykh sistem i protsessov na osnove triad. Problemy upravleniya, 5, 32–38.
  31. Korenberg, M. J. (1989). A robust orthogonal algorithm for system identification and time-series analysis. Biological Cybernetics, 60 (4), 267–276. doi: 10.1007/bf00204124
  32. Evdokimov, A. G., Tevyashev, A. D. (1980). Operativnoe upravlenie potokoraspredeleniem v inzhenernykh setyakh. Kh: Vishcha shkola, 144.

##submission.downloads##

Опубліковано

2015-04-23

Як цитувати

Щелкалин, В. Н. (2015). Системний підхід до синтезу матетичних моделей прогнозування взаємопов’язаних нестаціонарних часових рядів. Eastern-European Journal of Enterprise Technologies, 2(4(74), 21–35. https://doi.org/10.15587/1729-4061.2015.40065

Номер

Том 2 № 4(74) (2015): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2015 Віталій Миколайович Щелкалін

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.