Порівняння методів прогнозування часових рядів
DOI:
https://doi.org/10.30837/bi.2018.2(91).06Ключові слова:
ЧАСОВІ РЯДИ, ПРОГНОЗУВАННЯ, МОДЕЛЬ ПРОГНОЗУВАННЯ, ІНТЕГРОВАНА МОДЕЛЬ АВТОРЕГРЕСІЇ–КОВЗНОГО СЕРЕДНЬОГО, ШТУЧНІ НЕЙРОННІ МЕРЕЖІ, ПОРІВНЯННЯАнотація
Стаття присвячена опису і порівнянню моделей прогнозування часових рядів і виявленню можливостей застосування різних моделей для вирішення задач прогнозування з різними вихідними даними: часові інтервали, наявність сезонності та/або трендів. Крім цього, серед двох популярних методів прогнозування ARIMA і ANN проведені більш детальний огляд і практичне порівняння на прикладі реальних часових рядів вартості житнього хліба в Україні, визначені похибки прогнозування на короткостроковий і довгостроковий періоди. Оцінка похибки проводилася з використанням програмної системи, представленої в даній статті, шляхом порівняння відхилення результатів прогнозування від реальних даних за останній період, що становить 1/4 вихідних даних. Згідно з отриманими результатами зроблено висновки щодо ефективності обох методів і потенційних можливостей їх майбутнього використання. Також пропонується використовувати представлену програмну систему для екстраполяції рядів в різних областях, таких як економіка, технічні системи, освіту, природні та соціальні системи.
Посилання
Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия, дисертація ... канд. тех. наук / Московський державний технічний університет ім. Н.Е. Баумана. Москва, 2012.
Егошин А.В. Аналіз і прогнозування складних стохастичних сигналів на основі методів ведення кордонів реалізацій динамічних систем: Автореферат дисертації ... канд. техн. наук. Санкт-Петербург, 2009. – 19 с.
Gheyas I.A., Smith L.S. A Neural Network Approach to Time Series Forecasting // Proceedings of the World Congress on Engineering, London, 2009 Vol 2 [електронний ресурс]. – P. 1292 – 1296. URL: www.iaeng.org /publication/WCE2009/WCE2009_pp1292-1296.pdf (дата звернення 28.10.2018).
Alfares H.K., Nazeeruddin M. Electric load forecasting: literature survey and classifcation of methods // International Journal of Systems Science. – 2002. – Vol 33. – P. 23-34.
Hinman J., Hickey E. Modeling and forecasting sort term electricity load using regression analysis // Journal of IInstitute for Regulatory Policy Studies [електронний ресурс]. – 2009. – 51 p. URL: http://www.irps.ilstu.edu/research/documents/LoadForecastingHinman-HickeyFall2009.pdf (дата звернення 28.10.2018).
A. Jain, A. M. Kumar, "Hybrid neural network models for hydrologic time series forecasting," Applied Soft Computing Journal, vol. 7, no. 2, pp. 585-592, 2007.
J. Sterba and K. Hilovska, "The implementation of hybrid ARIMA neural network prediction model for aggregate water consumption prediction," Aplimat-Journal of Applied Mathematics, vol. 3, no. 3, pp. 123-131, 2010.