1. UJIT
  2. Всі випуски
  3. Том 3 · Номер 1 · 2021
  4. НАВЧАННЯ КОМБІНОВАНОЇ МОДЕЛІ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ

НАВЧАННЯ КОМБІНОВАНОЇ МОДЕЛІ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ

UJIT.
2021;
Випуск 3, Номер 1
: 44-48
https://doi.org/10.23939/ujit2021.03.044
Надіслано: Квітень 17, 2021
Прийнято: Червень 01, 2021

Цитування за ДСТУ: Гече Ф. Е., Мулеса О. Ю., Батюк А. Є., Смоланка В. Ю. Навчання комбінованої моделі прогнозування часових рядів. Український журнал інформаційних технологій. 2021, т. 3, № 1. С. 44–48.

Citation APA: Geche, F. E., Mulesa, O. Yu., Batyuk, A. Ye., & Smolanka, V. Yu. (2021). Learning a combined model of time series forecasting. Ukrainian Journal of Information Technology, 3(1), 44–48. https://doi.org/10.23939/ujit2021.03.044

Автори:
  1. Ф. Е. Гече
  2. О. Ю. Мулеса
  3. А. Є. Батюк
  4. В. Ю. Смоланка
1
Ужгородський національний університет, м. Ужгород, Україна
2
Ужгородський національний університет, м. Ужгород, Україна
3
Національний університет "Львівська політехніка", м. Львів, Україна
4
Ужгородський національний університет, м. Ужгород, Україна

Розроблено метод побудови комбінованої моделі прогнозування часових рядів на підставі базових моделей про­гно­зування. Множина базових моделей є динамічною, тобто у цю множину можуть вноситися нові моделі прогнозування, можуть видалятися моделі залежно від властивостей часових рядів. Для синтезу комбінованої моделі прогнозування часових рядів з заданим кроком прогнозу на початку визначається оптимальний крок передісторії. Будується функціонал і для фіксованого кроку прогнозу методом авторегресії визначається оптимальний крок передісторії, що визначає проміжок часу на якому проводиться аналіз точності моделей з базової множини. У процесі побудови комбінованої моделі для кожної базової моделі визначається ваговий коефіцієнт з яким вона входить у комбіновану модель. Вагові коефіцієнти базових моделей визначаються на підставі їх точності прогнозування на часовому періоді, визначеного кроком передісторії. Вагові коефіцієнти відображають міру впливу базових моделей на точність прогнозування комбінованої моделі. Після побудови комбінованої моделі проводиться її навчання та визначаються ті базові моделі, які будуть внесені в остаточну комбіновану модель прогнозування. Встановлено правило внесення базових моделей у комбіновану модель. При внесенні базових моделей у комбіновану модель прогнозування враховуються їх вагові коефіцієнти, які залежать від одного й того ж параметру. Визначається оптимальне значення параметру через мінімізацію заданого функціоналу, що задає середнє квадратичне відхилення між фактичними і прогнозними значеннями часового ряду. Вагові коефіцієнти з оптимальними параметрами ранжуються у порядку не зростання та використовуються на етапі внесення базових моделей у комбіновану модель. Внаслідок такого підходу, як показують конкретні приклади, у багатьох випадках вдалося істотно покращити точність прогнозування комбінованої моделі.

часовий ряд
функціонал
модель прогнозування
навчання моделі
крок прогнозу
ваговий коефіцієнт
  1. Ahmed, N. K., Atiya, A. F., Gayar, N. E., & El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5–6), 594–621. https://doi.org/10.1080/07474938.2010.481556
  2. Boxing, J., & Jenkins, G. (1974). Time series analysis. Forecast and management. Vol. 1. Moscow: Peace, 406. [In Russian].
  3. Cao, J., Li, Z., & Li, J. (2019). Financial time series forecasting model based on CEEMDAN and LSTM. Physica A: Statistical Mechanics and its Applications, 519, 127–139. https://doi.org/10.1016/j.physa.2018.11.061
  4. Dolgikh, S., & Mulesa, O. (2021). Covid-19 epidemiological factor analysis: Identifying principal factors with machine. CEUR Workshop Proceedings, 2833, 114–123. https://doi.org/10.1101/2020.06.01.20119560
  5. Geche, F., Batyuk, A., Mulesa, O., & Vashkeba, M. (2015). Development of effective time series forecasting model. International Journal of Advanced Research in Computer Engineering & Technology, 4(12), 4377–4386.
  6. Geche, F., Mulesa, O., Batyuk, A., & Voloshchuk V. (2020). The Combined Time Series Forecasting Model, IEEE Firs International Conference on Data Stream Mining & Processing (DSMP), August 21–25, Lviv, Ukraine. 272–275. https://doi.org/10.1109/DSMP47368.2020.9204311
  7. Ivanov, V. V. (1999). Time series analysis and forecasting of economic indicators. Kharkiv: KhNU, 230 p. [In Russian].
  8. Khandelwal, I., Adhikari, R., & Verma, G. (2015). Time series forecasting using hybrid ARIMA and ANN models based on DWT decomposition. Procedia Computer Science, 48, 173–179. https://doi.org/10.1016/j.procs.2015.04.167
  9. Kukharev, V. I., Sally, V. I., & Erpert, A. M. (1991). Economic and mathematical methods and models in planning and management. Kyiv: High school, 302. [In Russian].
  10. Litranovich, R. M. (2011). Construction and research of a mathematical model based on sources of experimental data by regression analysis. Rivne: IUEH, 140. [In Uk­ra­ini­an].
  11. Mulesa, O. Yu., & Snytyuk, V. Ye. (2020). Development of an evolutionary method for time series forecasting. Automation of technological and business processes, 12(3), 4–9. [In Uk­ra­ini­an]. https://doi.org/10.15673/atbp.v12i3.1854
  12. Shmueli, G., & Lichtendahl Jr, K. C. (2016). Practical time series forecasting with r: A hands-on guide. Axelrod Schnall Publishers.
  13. Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36(1), 75–85. https://doi.org/10.1016/j.ijforecast.2019.03.017
  14. Transport and Communications of Ukraine (2013). State Statistics Service. Statistical collection, 552 p. [In Ukrainian].
  15. Xu, W., Peng, H., Zeng, X., Zhou, F., Tian, X., & Peng, X. (2019). A hybrid modelling method for time series forecasting based on a linear regression model and deep learning. Applied Intelligence, 49(8), 3002–3015. https://doi.org/10.1007/s10489-019-01426-3