Критерії вибору персептронної моделі для прогнозування: аналіз і практичні рекомендації щодо їх використання
DOI:
https://doi.org/10.30837/bi.2018.2(91).05Ключові слова:
ПЕРСЕПТРОННА МОДЕЛЬ, ЧАСОВИЙ РЯД, КРИТЕРІЇ ОЦІНЮВАННЯ, ПОМИЛКА ПРОГНОЗУ, НЕСТАЦІОНАРНІСТЬ, СПРЯМОВАНА СИМЕТРІЯ, СИМЕТРИЧНИЙ КРИТЕРІЙАнотація
Аналізуються існуючі і досить поширені статистичні (RMSE, МАРЕ, MAE та інші) і деякі інформаційні критерії (AIC, KIC, HQ тощо)(метрики) вибору персептронної моделі для прогнозування часових рядів, аналізуються переваги та недоліки цих критеріїв. Крім того, розглядаються запропоновані останнім часом нові критерії, які ще не набули широкого поширення, однак, є такими, що володіють, на думку авторів, істотними перевагами. До числа таких критеріїв належать критерій точності напрямку та його модифікація, спрямована симетрія та іі модифікація, зважений інформаційний критерій та його адаптивна модифікація. Розглянуті критерії вибору моделі аналізуються для прогнозування об’єму пасажиропотоку у аеропортах Німеччини. Отримані результати свідчать про те, що критерії вибору моделі на основі медіани прогнозів мають меншу мінливість, ніж інші, в той час як критерії, що базуються на геометричному середньому, мають більшу мінливість.Посилання
Bowerman B. Forecasting: methods and applications. 4th ed. / B. Bowerman, R. O’Connell, A. Koehler. – Belmont, CA.: Thomson Brooks, 2005. – 384 p.
Hyndman R.J. Forecasting: principles and practice. / R. J. Hyndman, G. Athanasopoulos. // 2nd ed, 2017. OTexts. http://otexts.com/fpp
Hanke J. E. Business forecasting (5th ed.) / J. E. Hanke, A.G. Reitsch. – NJ: Prentice-Hall, 1995. – 606 p.
Hyndman R. J. Another look at measures of forecast accuracy / R. J. Hyndman, A. B. Koehler. / Int. J. of Fore-casting. – 2006. – 22 (4). – Рр. 679–688.
Gooijer J.G.D. 25 Years of Time Series Forecasting. / J.G.D. Gooijer, R.J.Hyndman / Int. Journal of Forecasting. – 2006. – 22(4). – Pp. 679-688.
Adhikari R. An Introductory Study on Time series Modeling and Forecasting // R. Adhikari,R.K. Agrawal. – LAP LAMBERT Academic Publishing, 2013. – 67 p.
Allende H. Artificial neural networks in time series forecasting: a comparative analysis. / H. Allende, C. Moraga. R. Salas // Kybernetika. – 2002. – 6. – Р. 685-707.
Cao L.J. Support Vector Machine with Adaptive Parameters in Financial Time Series Forecasting // L.J. Cao, F.E.H. Tay // IEEE Transaction on Neural Networks-2003. – Vol. 14. – No. 6. – P: 1506-1518.
Tay F.E.H. Application of support vector machines in financial time series forecasting / F.E.H.Tay, L. Cao // Omega, 2001. – 29. – P. 309-317.
Mahmoud E. Accuracy in forecasting: A respect to division by zero errors and contradiction survey. / E. Mahmoud // J. of Forecasting. – 1984. – 3(2). – Pp. 139-159.
Flores В.Е. A pragmatic view of accuracy measurement in forecasting / В.Е. Flores // Omega. – 1986. – Vol. 14. – Issue 2. – Pр. 93-98.
Armstrong, J.S. Error measures for generalizing about forecasting methods: empirical comparisons / J.S. Armstrong, F. Collopy. // Int. J. Forecasting. – 1992. – 8.– Рр. 69–80.
Makridakis S. Accuracy measures: theoretical and practical concerns / S. Makridakis // Int. J Forecasting. – 1993. – 9. – Pp. 527- 529.
Goodwin, P. On the asymmetry of the symmetric MAPE / P. Goodwin, R. Lawton // Int. J. of Forecasting. – 1999. – 15. – Pp. 405-408.
Koehler A.B. The asymmetry of the sAPE measure and other comments on the M3-competition // A. B. Koehler // Int. J. of Forecasting.- 2001.- 17.- Pp. 570-574.
Tofallis C. A better measure of relative prediction accuracy for model selection and model estimation / C. Tofallis // J. of the Operational Research Society.-2015.- 66.- Pp. 1352 – 1362.
Хайкин С. Нейронные сети: полный курс. / С. Хайкин – М.: Изд. дом «Вильямс», 2006. – 1104 с.
Бодянский Е.В. Искусственные нейронные сети: архитектуры, обучение, применения. / Е.В. Бодянский, О.Г. Руденко. – Харків: ТЕЛЕТЕХ, 2004. – 369с.
Myrtveit I. Validity and reliability of evaluation procedures in comparative studies of effort prediction models. // I. Myrtveit, E. Stensrud //Empirical Software Engineering. – 2012. – 17(1-2). – P.23-33.
Foss T. A simulation study of the model evaluation criterion MMRE. / T. Foss, E. Stensrud, B. Kitchenham, I. Myrtveit. // IEEE Transactions on Software Engineering. – 2003. – 29. – Pp. 985-995.
Green K. Percentage error: What denominator? / K. Green, L. Tashman// Int. Journal of Applied Forecasting. – 2009. – 12. – Pp. 36-40.
Kolassa S. Percentage Errors Can Ruin Your Day (and Rolling the Dice Shows How) / S. Kolassa, R. Martin // Int. Journal of Applied Forecasting. – 2011. – Issue 23. – Pp. 21-27.
Shcherbakov M.V. A Survey of Forecast Error Measures / M.V. Shcherbakov, A.Brebels, N.L. Shcherbakova, A.P. Tyukov, T.A. Janovsky, V. Kamaev. // World Applied Sciences Journal 24 (Information Technologies in Modern Industry, Education & Soci-ety), – 2013. – Pp.171–176.
Kim S. A new metric of absolute percentage error for intermittent demand forecasts / S. Kim,,H. Kim // Int. J. of Forecasting. – 2016. – 32. – Рр. 669-679.
Bal G. A comparison of different model selection criteria for forecasting Euro/USD exchange rates by feed forward neural network / C. Bal, S. Demir, C.H. Aladag // Int. J. of Computing, Communications & Instrumentation Engg. (IJCCIE). – 2016. – Vol. 3. – Issue 2. – P. 271-275.
Fildes R. The evaluation of extrapolative forecasting methods. / R. Fildes. // Int. J. of Forecasting. – 1992. – 8. – P.81–98.
Akaike H.A. A new look at statistical model identification / H.A. Akaike // IEEE Trans. on Automatic Control. – 1974. – 19. – P.716-723.
Schwarz G. Estimating the dimension of model / G. Schwarz // Ann. Statist. – 1978. – 6. – P.461-464.
Kullback S. Information theory and statistics. // S. Kullback / New York, NY: Wiley, 1959. – 409 p.
Hannan E.J. The determination of the order of an autoregression / E.J. Hannan, B.G. Quinn / J. of the Royal Statistical Society. – 1979. – 41. – P. 190–195.
Egrioglu E. A New Model Selection Strategy in Artificial Neural Network // E. Egrioglu, C.H. Aladag, S. Gunay / Applied Mathematics and Computation. –2008. – 195. – Pp. 591–597.
Aladag C.H. Improving weighted information criterion by using optimization / C.H. Aladag, E. Egrioglu, S. Gunay, M.A. Basaran / Journal of Computational and Applied Mathematics. – 2010. – 233. – Pp. 2683-2687.
Тэйл Г. Экономическое прогнозирование и принятие решений. – М. Статистика, 1977. – 282 с.
Пискунов Е.Ю. Модификация коєффициента Тэйла / Е.Ю. Пискунов // Математическое моделирование, системный анализ. – 2012. – № 5. – С. 14-18.
http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=avia_paoc
Руденко О.Г. Нейросетевая аппроксимация нелинейных зашумленных функций на основе коэволюционного кооперативно-конкурентного подхода. / О.Г. Руденко, А.А. Бессонов / Проблемы управления и информатики –2018. – №3. – С. 5-14.
Руденко О.Г. Многокритериальная оптимизация эволюционирующих сетей прямого распространения / О.Г. Руденко, А.А. Бессонов / Проблемы управления и информатики. – 2014. – № 6. – С. 29-41.
