научное издание МГТУ им. Н.Э. Баумана
НАУКА и ОБРАЗОВАНИЕ
Издатель ФГБОУ ВПО "МГТУ им. Н.Э. Баумана". Эл № ФС 77 - 48211. ISSN 1994-0408
# 11, ноябрь 2016
DOI: 10.7463/1116.0849839
SE-BMSTU...o126.pdf
(1433.24Кб)
| УДК 519.688 | 1 Иркутский государственный университет путей сообщения, 2 Администрация города Иркутска, Иркутск, Россия  |
В современном мире при обосновании управленческих решений часто используются результаты прогнозирования различных динамических показателей. Эти показатели вследствие неопределенности являются случайными величинами и, как правило, формализуются в виде временных рядов. На практике существует постоянная необходимость обеспечивать приемлемую точность прогнозирования этих показателей. В связи с этим, разработка новых и совершенствование существующих методов прогнозирования различных по своим статистическим характеристикам динамических показателей является актуальным исследовательским направлением.
Следует отметить, что при обосновании управленческих решений по результатам прогнозирования динамических показателей не всегда необходимо знать фактическое будущее значение показателя. Часто достаточно знать: превысит оно или нет некоторое заранее заданное значение? Это значение делит область возможных будущих значений показателя на два интервала. Так как при таком прогнозировании оценивается не само будущее значение показателя, а то, в каком интервале оно будет находиться, такое прогнозирование было названо интервальным.
Существует множество распространённых методов и математических моделей прогнозирования динамических показателей. К наиболее перспективным методам прогнозирования таких показателей следует отнести кластерные и нейронные методы. В предыдущих статьях авторами были предложены подходы интервального прогнозирования динамических показателей с использованием таких методов и разработаны два алгоритма: 1) алгоритм на основе адаптивной вероятностно-статистической кластерной модели; 2) алгоритм на основе модели вероятностной нейронной сети. В данной статье предлагается алгоритм интервального прогнозирования динамических показателей на основе робастной вероятностной кластерной модели. Предлагаемый алгоритм был реализован на языке программирования «R». В качестве общедоступного примера динамического показателя для тестирования предлагаемого алгоритма использовались данные по среднесуточной солнечной радиации. Эти данные были получены из открытого научного интернет-проекта «Solar Energy Services for Professionals». Результаты тестирования алгоритма подтвердили состоятельность и возможность его практического применения.
1.Чучуева И.А., Павлов Ю.Н. Экстраполяция псевдослучайных процессов по максимуму подобия // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2009. №7. Режим доступа: http://technomag.neicon.ru/doc/129712.html (дата обращения 17.11.2016).
2.Краковский Ю.М., Лузгин А.Н. Оценка прогнозируемости динамических показателей на основе коэффициента ранговой корреляции //Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2016. №9. Режим доступа: http://technomag.neicon.ru/doc/845015.html (дата обращения 17.11.2016). DOI: 10.7463/0916.08450153.Shumway R.H., Stoffer D.S. Time Series Analysis and Its Applications. With R Examples. Third edition. Springer Science+Business Media LLC, 2011. DOI: 10.1007/978-1-4419-7865-34.Gooijer J.G., Hyndman R.J. 25 years of time series forecasting. International Journal of Forecasting, 2006, vol. 22, issue 3, pp. 443–473. DOI: 10.1016/j.ijforecast.2006.01.0015.Mitrea C. A., Lee K. M., Wu Z. A Comparison between Neural Networks and Traditional Forecastin. International Journal of Engineering Business Management, 2009. vol. 1, no. 2, pp. 19–24. DOI: 10.5772/6777776.Gosasang V., Chandraprakaikul W., Kiattisin S. A Comparison of Traditional and Neural Networks Forecasting Techniques for Container Throughput at Bangkok Port. The Asian Journal of Shipping and Logistics, 2011, vol. 27, issue 3, pp. 463–482. DOI: 10.1016/s2092-5212(11)80022-27.Surajit C., Deepak J., Goutami C. Trend estimation and univariate forecast of the sunspot numbers: development and comparison of ARMA, ARIMA and autoregressive neural network models. Comptes Rendus Geoscience, 2011, vol. 343, pp. 433–442. DOI: 10.1016/j.crte.2011.07.0088.Flores J., Graff M., Rodriguez H. Evolutive design of ARMA and ANN models for time series forecasting. Renewable Energy, 2012, vol. 44, pp. 225–230. DOI: 10.1016/j.renene.2012.01.0849.Valipour M., Banihabib M.E., Behbahani M.R. Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir. Original Research Article Journal of Hydrology, 2013, vol. 476, pp. 433–441. DOI: 10.1016/j.jhydrol.2012.11.01710.Panapakidis I.P. Clustering based day-ahead and hour-ahead bus load forecasting models. International Journal of Electrical Power & Energy Systems. 2016, vol. 80, pp. 171–178. DOI: 10.1016/j.ijepes.2016.01.03511.Jiménez-Pérez P.F., Mora-López L. Modeling and forecasting hourly global solar radiation using clustering and classification techniques. Original Research Article Solar Energy, 2016, vol. 135, pp. 682–691. DOI: 10.1016/j.solener.2016.06.03912.Azimi R., Ghayekhloo M., Ghofrani M. A hybrid method based on a new clustering technique and multilayer perceptron neural networks for hourly solar radiation forecasting. Original Research Article Energy Conversion and Management, 2016, vol. 118, p. 331–344. DOI: 10.1016/j.enconman.2016.04.00913.Singh S. Pattern Modelling in Time-Series Forecasting. Cybernetics and Systems, 2000, vol. 31, no.1. P. 49–65.
14.Краковский Ю.М., Лузгин А.Н. Адаптивная вероятностно-статистическая кластерная модель интервального прогнозирования нестационарных динамических показателей // Современные технологии. Системный анализ. Моделирование. 2015. № 1 (45). C. 80–84.
15.De La Vega E., Flores J.J, Graff M. K-Nearest-Neighbor by Differential Evolution for Time Series Forecasting. 13th Mexican International Conference on Artificial Intelligence, 2014, pp. 50–60. DOI: 10.1007/978-3-319-13650-9_516.Walters-Williams J., Li Y. Comparative Study of Distance Functions for Nearest Neighbor. Advanced Techniques in Computing Sciences and Software Engineering, 2010, pp. 123-456. DOI: 10.1007/978-90-481-3660-5_1417.Cha Sung-Hyuk. Comprehensive Survey on Distance/Similarity Measures between Probability Density Functions. International Journal of Mathematical Models and Methods in Applied Sciences, 2007, vol. 1 (4), pp. 300–307.
18.Jousselme A., Maupin P. Distances in evidence theory: Comprehensive survey and generalizations. International Journal of Approximate Reasoning, 2007, vol. 53, issue 2, pp. 118–145. DOI: 10.1016/j.ijar.2011.07.00619.Pearson product-moment correlation coefficient // Wikipedia the free encyclopedia: https://en.wikipedia.org/wiki/Pearson_product-moment_correlation_coefficient#cite_note-1, accessed 17.11.2016. На Википедию нельзя ссылаться. По ссылке в этой статье есть три ссылки на материалы XIX века автора Фрэнсиса Гальтона.
20.Burger M., Repiský J. Problems of Linear Least Square Regression. Proceedings in Advanced Research in Scientific Areas: The 1st Virtual International Conference, 2012, issue 1, pp. 257–262.
21.Sen P.K. Estimates of Regression Coefficient Based on Kendall’s tau. Journal of the American Statistical Association, 1968, vol. 63, issue 324, pp. 1379–1389.
22.Wilcox R.R., Clark F. Comparing robust regression lines associated with two dependent groups when there is heteroscedasticity. Computational Statistics, 2014, vol. 29. issue 5, pp. 1175–1186. DOI: 10.1007/s00180-014-0485-223.Ohlson J.A., Kim S. Linear valuation without OLS: the Theil-Sen estimation approach. Review of Accounting Studies, 2015, vol. 20, issue 1, pp. 395–435. DOI: 10.1007/s11142-014-9300-024.Solar Energy Services for Professionals. SoDa. Режим доступа: http://www.soda-is.com/eng/services/services_radiation_free_eng.php (дата обращения 17.11.2016).
25.The R project of statistical computing. TheRProject. Режим доступа: http://www.r-project.org (дата обращения 17.11.2016).
Публикации с ключевыми словами: интервальное прогнозирование, робастная вероятностная кластерная модель, динамические показатели, подобие кластеров
Публикации со словами: интервальное прогнозирование, робастная вероятностная кластерная модель, динамические показатели, подобие кластеров
Смотри также:
Тематические рубрики:
| Авторы |
| Пресс-релизы |
| Библиотека |
| Конференции |
| Выставки |
| О проекте |
| Телефон: +7 (915) 336-07-65 (строго: среда; пятница c 11-00 до 17-00) |
|
 |
|||
| © 2003-2023 «Наука и образование» Перепечатка материалов журнала без согласования с редакцией запрещена Тел.: +7 (915) 336-07-65 (строго: среда; пятница c 11-00 до 17-00) | |||||
