Синтез комбінованої нейромережевої моделі прогнозування

В. Ю. Глагола

doi:10.24144/2616-7700.2023.42(1).154-163

Автор(и)

В. Ю. Глагола ДВНЗ «Ужгородський національний університет», Україна https://orcid.org/0000-0002-8380-1967

DOI:

https://doi.org/10.24144/2616-7700.2023.42(1).154-163

Ключові слова:

часовий ряд, модель прогнозування, навчання, комбінована модель, крок прогнозу

Анотація

В роботi запропоновано метод побудови комбiнованої моделi для прогнозування
часових рядiв. У роботi розглянутi класичнi базовi моделi прогнозування i на їх основi будується комбiнована модель, яка допускає нейромережеву реалiзацiю. Множина
базових моделей э динамiчною, тобто у цю множину можуть вноситися новi моделi прогнозування, можуть видалятися моделi залежно вiд властивостей часових рядiв. Для синтезу комбiнованої моделi прогнозування з заданим кроком прогнозу, на
початку визначається оптимальний крок передiсторiї. Будується функцiонал i для
фiксованого кроку прогнозу методом авторегресiї визначається оптимальний крок передiсторiї, що визначає промiжок часу на якому проводиться аналiз точностi моделей
з базової множини. У процесi побудови комбiнованої моделi для кожної базової моделi
визначається ваговий коефiцiєнт з яким вона входить у комбiновану модель. Ваговi
коефiцiєнти базових моделей визначаються на пiдставi їх точностi прогнозування на
часовому перiодi, визначеного кроком передiсторiї. Ваговi коефiцiєнти вiдображають
мiру впливу базових моделей на точнiсть прогнозування комбiнованої моделi. Пiсля
побудови комбiнованої моделi проводиться її навчання та визначаються тi базовi моделi, якi будуть внесенi в остаточну комбiновану модель прогнозування. Внаслiдок
такого пiдходу, як показують конкретнi приклади, у багатьох випадках вдалося iстотно покращити точнiсть прогнозування комбiнованої моделi.

Посилання

Boxing, J., & Jenkins, G. (1974). Time series analysis. Forecast and management. Volume 1. Moscow: Peace [in Ukrainian].

Ivanov, V. V. (1999). Time series analysis and forecasting of economic indicators. Kharkiv: KhNU [in Ukrainian].

Kukharev, V. I., Sally, V. I., & Erpert, A. M. (1991). Economic and mathematical methods and models in planning and management., Kyiv: High school [in Ukrainian].

Yarenko, A. V. (2015). Systematization of quantitative methods forecasting the market condition marketing research. Kyiv: National University of Technology and Design [in Ukrainian].

Ahmed, N. K., Atiya, A. F., Gayar, N. E., & El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5-6), 594–621. https://doi.org/10.1080/07474938.2010.481556

Dolgikh, S. & Mulesa, O. (2021). Covid-19 epidemiological factor analysis: Identifying principal factors with machine. CEUR Workshop Proceedings, 2833, 114–123 [in Ukrainian]. https://doi.org/10.1101/2020.06.01.20119560

Shmueli, G., & Lichtendahl (Jr.), K. C. (2016). Practical time series forecasting with r: A hands-on guide. Axelrod Schnall Publishers.

Cao, J., Li, Z., & Li, J. (2019). Financial time series forecasting model based on CEEMDAN and LSTM. Physica A: Statistical Mechanics and its Applications, 127–139. https://doi.org/10.1016/j.physa.2018.11.061

Khandelwal, I., Adhikari, R., & Verma, G. (2015). Time series forecasting using hybrid ARIMA and ANN models based on DWT decomposition. Procedia Computer Science, 173–179. https://doi.org/10.1016/j.procs.2015.04.167

Geche, F., Mulesa, O., Batyuk, A., & Voloshchuk V. (2020). The Combined Time Series Forecasting Model. IEEE First International Conference on Data Stream Mining & Processing (DSMP), August 21-25, Lviv, Ukraine, 272–275 [in Ukrainian]. https://doi.org/10.1109/DSMP47368.2020.9204311

Geche, F., Batyuk, A., Mulesa, O., & Vashkeba, M. (2015). Development of effective time series forecasting model. International Journal of Advanced Research in Computer Engineering & Technology, 4(12), 4377–4386 [in Ukrainian].

Mulesa, O. Yu., & Snytyuk, V. Ye. (2020). Development of an evolutionary method for time series forecasting. Automation of technological and business processes, 12(3), 4–9 [in Ukrainian]. https://doi.org/10.15673/atbp.v12i3.1854

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. https://doi.org/10.1016/j.ijforecast.2019.03.017

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. https://doi.org/10.1007/s10489-019-01426-3

Kyrydon, A. M. (2021). Ukraine. 30 years of independence. A brief guide, Kyiv [in Ukrainian].