Методические указания к лабораторным занятиям Интеллектуальные системы обработки информации и машинное обучение Ставрополь, 2017

Обработчик «Скользящее окно». При прогнозировании 
временных рядов при помощи обучающихся алгоритмов (в том числе 
искусственной нейронной сети), требуется подавать на вход 
анализатора значения нескольких, смежных, отсчетов из исходного 
набора данных. Например, в том случае, когда необходимо подавать 
на вход значения сумм продаж за последние 3 месяца и сумму продаж 
год назад. При этом эффективность реализации заметно повышается, 
если 
не 
выбирать 
данные 
каждый 
раз 
из 
нескольких 
последовательных записей, а последовательно расположить данные, 
относящиеся к конкретной позиции окна, в одной записи. 
Значения в одном из полей записи будут относиться к текущему 
отсчету, а в других – смещены от текущего отсчета «в будущее» или 
«в прошлое». Следовательно, преобразование скользящего окна имеет 
два параметра: «глубина погружения» - количество «прошлых» 
отсчетов 
28
8 

---

(включая текущий отсчет), попадающих в окно, и «горизонт 
прогнозирования» – количество «будущих» отсчетов. Такой метод 
отбора данных называется скользящим окном (поскольку это окно 
«перемещается» по всему набору). 
Обработчик «Нейросеть». Обработчик предназначен для 
решения задач регрессии и прогнозирования. В данном случае 
нейросеть строится для прогнозирования будущих значений 
временного ряда. Для проверки обобщающей способности нейросети 
рекомендуется разбить имеющееся множество данных на две части: 
обучающее и тестовое. Как правило, при прогнозировании временных 
рядов, доля тестового множества составляет не более 10-20%. 
С 
помощью 
визуализатора 
«Диаграмма» 
оценивается 
способность построенной нейросетевой модели к обобщению. Для 
этого 
в 
одном 
окне 
выводятся 
графики 
исходного 
и 
спрогнозированного временных рядов. На рис.3 изображен пример 
таких графиков. Видно, что построенная модель обеспечивает 
приемлемую точность. 
Рис. 3. Оценка качества построенной модели.