Нейросетевое прогнозирование временных рядов овакимян А. С
Download 300.87 Kb. Pdf ko'rish
|
Paper4
- Bu sahifa navigatsiya:
- Аннотация.
|
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ Овакимян А.С. Ереванский государственный университет, Ереван, Армения, ahovakimyan@ysu.am Саркисян С.Г. Ереванский государственный университет, Ереван, Армения, siranushs@ysu.am Зироян М.А. Российский государственный социальный университет, tvictoria@yandexl.ru Тинякова В.И. Российский государственный социальный университет, zirmanya@mail.ru Аннотация. В работе рассматривается задача прогнозирования временных рядов средствами нейронных сетей. Этот подход целесообразен в случаях, когда необходимо преодолевать трудности, связанные с нестационарностью, неполнотой, неизвестным распределением данных, или когда статистические методы оказываются не вполне удовлетворительными. Нейронная сеть построена в среде RStudio. Выполнен сравнительный анализ результатов, полученных с помощью нейронной сети и реализованными в RStudio статистическими методами прогнозирования. Ключевые слова: временной ряд, прогнозирование, нейронная сеть, предварительное обработка данных, обучающая и контрольная выборки. Abstract. The problem of time series prediction by means of neural networks is considered. This approach is appropriate in cases where it is necessary to overcome the difficulties associated with nonstationarity, incompleteness, anonymous data distribution, or when the statistical methods are not entirely satisfactory. A neural network is built in the package RStudio. A comparative analysis of the results obtained by the neural network and via implemented in RStudio statistical forecasting methods is performed. Key words: time series, prediction, neural network, data preprocessing, training and control samples. Задача прогнозирования временных рядов (ВР) была и остается актуальной, особенно в последнее время, когда стали доступны мощные средства сбора и обработки информации. Прогнозирование временных рядов является важной научно-технической проблемой, так как позволяет предсказать поведение различных факторов в экологических, экономических, социальных и иных системах. Развитие прогностики как науки в последние десятилетия привело к созданию множества моделей и методов, процедур, приемов прогнозирования, неравноценных по своему значению. По оценкам зарубежных и отечественных специалистов по прогностике уже насчитывается свыше ста методов прогнозирования, в связи с чем встает задача выбора методов, которые давали бы адекватные прогнозы для изучаемых процессов или систем. Жесткие статистические предположения о свойствах временных рядов зачастую ограничивают возможности классических методов прогнозирования. Применение нейронных сетей (НС) в данной задаче обусловлено наличием в большинстве ВР сложных закономерностей, не обнаруживаемых известными линейными методами. Нейросетевые методы обработки информации стали использотаться несколько десятилетий назад. С течением времени интерес к нейросетевым технологиям то ослабевал, то вновь возрождался. Такое непостоянство напрямую связано с практическими результатами проводимых исследований. На сегодняшний день возможности нейросетевых технологий используются во многих отраслях науки, начиная от медицины и астрономии, заканчивая информатикой и экономикой. Способность нейронной сети к разносторонней обработке информации следует из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. Большим преимуществом нейронных сетей является то, что они способны к обучению и обобщению накопленных знаний. В данной работе рассматривается задача прогнозирования временного ряда средствами нейронных сетей и выполнения сравнительного анализа с результатами, полученными с помощью реализованных в среде RStudio методов прогнозирования. Целью любого прогнозирования является создание модели, которая позволяет заглянуть в будущее и оценить тенденции в изменениях того или иного фактора. Качество прогноза в таком случае зависит от наличия предыстории изменяемого фактора, погрешностей измерения рассматриваемой величины и других факторов. Формально задача прогнозирования формулируется следующим образом: найти функцию f, позволяющую оценить значение переменной x в момент времени (t + d) по ее N предыдущим значениям, так чтобы Download 300.87 Kb. Do'stlaringiz bilan baham: 
|