Інформаційна технологія для прогнозування часових рядів методом синтезу прогнозної схеми

https://doi.org/10.23939/ujit2021.02.081
Надіслано: Вересень 29, 2021
Прийнято: Листопад 23, 2021
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 інформаційну технологію прогнозування на підставі часових рядів. З'ясовано, що актуальною є розробка нових моделей і методів прогнозування для покращення якості прогнозу. В основу інформаційної технології покладено еволюційний метод синтезу прогнозної схеми на підставі базових прогнозних моделей. Обраний метод дає змогу вносити в розгляд будь-яку кількість прогнозних моделей, які можуть належати до різних класів. Для заданого часового ряду, шляхом знаходження розв'язку оптимізаційної задачі, обчислено вагові коефіцієнти, з якими моделі входять в результуючу прогнозну схему. Показано спосіб побудови цільової функції для задачі оптимізації у вигляді лінійної комбінації результатів прогнозування базовими прогнозними моделями. Запропоновано розв'язок оптимізаційної задачі знаходити за допомогою генетичного алгоритму. Результатом роботи методу є прогнозна схема, яка є лінійною комбінацією базових прогнозних моделей. Для оцінювання якості прогнозу запропоновано застосовувати похибки прогнозування або волатильність прогнозу, яка обчислено у вигляді середньоквадратичного відхилення. Критерії якості прогнозу обрано залежно від контексту задачі. Використання волатильності прогнозу як критерію якості, після багаторазового використання технології, дасть змогу зменшити відхилення прогнозних значень від реальних даних. Розроблено структурну схему інформаційної технології. Структурно інформаційна технологія складається з двох блоків: оброблення даних, інтерпретації отриманих значень. Результатом застосування розробленої інформаційної технології є продукційні правила для визначення прогнозного значення досліджуваної величини. Виконано експериментальну верифікацію отриманих результатів. Розв'язано задачу прогнозування кількості релігійних організацій в Україні на підставі статистичних даних з 1997 по 2000 роки. Як базові прогнозні моделі було обрано метод авторегресії та лінійну регресійну модель. За результатами використання розробленої інформаційної технології було обчислено вагові коефіцієнти базових моделей. Показано, що отримана прогнозна схема дала змогу покращити середню абсолютну відсоткову похибку та волатильність прогнозу, порівняно з обраними моделями.

  1. Biloshchytskyi, A., Biloshchytska, S., Kuchansky, A., Bielova, O., & Andrashko, Y. (2018, February). Infocommunication system of scientific activity management on the basis of project-vector methodology. In 2018 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET), 200–203. IEEE. https://doi.org/10.1109/TCSET.2018.8336186
  2. Brockwell, P. J., Brockwell, P. J., Davis, R. A., & Davis, R. A. (2016). Introduction to time series and forecasting, Springer, 434. https://doi.org/10.1007/978-3-319-29854-2
  3. Cai, Q., Zhang, D., Zheng, W., & Leung, S. C. (2015). A new fuzzy time series forecasting model combined with ant colony optimization and auto-regression. Knowledge-Based Systems, 74, 61–68. https://doi.org/10.1016/j.knosys.2014.11.003
  4. Daradkeh, Y. I., Kirichenko, L., & Radivilova, T. (2018). Development of QoS methods in the information networks with fractal traffic. International Journal of Electronics and Telecommunications, 64, 27–32.
  5. Dolgikh, S. (2019). Categorized representations and general learning. In International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions, August 2019, Springer, Cham, 93–100. https://doi.org/10.1007/978-3-030-35249-3_11
  6. Dolgikh, S., & Mulesa, O. (2021) Covid-19 epidemiological factor analysis: Identifying principal factors with machine learning. CEUR Workshop Proceedings, 2833, 114–123. https://doi.org/10.1101/2020.06.01.20119560
  7. Ethnopolitics. (2020). State Service of Ukraine for Ethnopolitics and Freedom of Conscience. Retrieved from: https://dess.gov.ua/statistics-2020/
  8. Geche, F., Batyuk, A., Mulesa, O., & Voloshchuk, V. (2020, August). The Combined Time Series Forecasting Model. In 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), 272–275, IEEE. https://doi.org/10.1109/DSMP47368.2020.9204311
  9. Geche, F., Mulesa, O., & Buchok, V. (2017). Synthesis of generalized neural elements by means of the tolerance matrices. Eastern-European Journal of Enterprise Technologies, 4(4), 50–62. https://doi.org/10.15587/1729-4061.2017.108404
  10. Gulyanitsky, L. F., & Bondar, T. G. (2018). Research of efficiency of adaptive forecasting methods. Computer Mathematics, (1), 53–60.
  11. Hnatiienko, H., Kudin, V., Onyshchenko, A., Snytyuk, V., & Kruhlov, A. (2020, October). Greenhouse Gas Emission Determination Based on the Pseudo-Base Matrix Method for Environmental Pollution Quotas Between Countries Allocation Problem. In 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC), 1–8. IEEE. https://doi.org/10.1109/SAIC51296.2020.9239125
  12. Hnatiienko, H., Tmienova, N., & Kruglov, A. (2021) Methods for Determining the Group Ranking of Alternatives for Incomplete Expert Rankings. In: Shkarlet S., Morozov A., Palagin A. (eds) Mathematical Modeling and Simulation of Systems (MODS2020). MODS 2020. Advances in Intelligent Systems and Computing, 1265, 217–226, Springer, Cham. https://doi.org/10.1007/978-3-030-58124-4_21
  13. Hunk, D., Rights, A. D., & Dean, W. (2003). Business forecasting, Williams.
  14. Khomytska, I., Teslyuk, V., Kryvinska, N., & Bazylevych, I. (2020). Software-based approach towards automated authorship acknowledgement – Chi-square test on one consonant group. Electronics, 9(7). https://doi.org/10.3390/electronics9071138
  15. Kirichenko, L., Radivilova, T., Bulakh, V., Zinchenko, P., & Alghawli, A. S. (2020, August). Two Approaches to Machine Learning Classification of Time Series Based on Recurrence Plots. In 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), August 2020, IEEE, 84–89. https://doi.org/10.1109/DSMP47368.2020.9204021
  16. Kuchansky, A., Biloshchytskyi, A., Bronin, S., Biloshchytska, S., & Andrashko, Y. (2019, October). Use of the Fractal Analysis of Non-stationary Time Series in Mobile Foreign Exchange Trading for M-Learning. In Interactive Mobile Communication, Technologies and Learning (pp. 950–961). Springer, Cham. https://doi.org/10.1007/978-3-030-49932-7_88
  17. Lupei, M., Mitsa, A., Povkhan, I., & Sharkan, V. (2020). Determining the Eligibility of Candidates for a Vacancy Using Artificial Neural Networks. In 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), August 2020. IEEE, 18–22. https://doi.org/10.1109/DSMP47368.2020.9204020.
  18. Mulesa, O. Yu. (2015). Design features of the information technology for the labor migrants group structure determination. Eastern-European Journal of Enterprise Technologies, 4(2), 4–8. https://doi.org/10.15587/1729-4061.2015.47204
  19. Mulesa, O. Yu., & Snityuk, V. Ye. (2020). Development of the evolutive method for forecasting hourly rows. Automation of technological and business processes, 12(3), 4–9. https://doi.org/10.15673/atbp.v12i3.1854
  20. Mulesa, O., Geche, F., Voloshchuk, V., Buchok, V., & Batyuk, A. (2017). Information technology for time series forecasting with considering fuzzy expert evaluations. In 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT), 1, 105–108, IEEE, September 2017. https://doi.org/10.1109/STC-CSIT.2017.8098747
  21. Pole, A., West, M., & Harrison, J. (2018). Applied Bayesian forecasting and time series analysis. Chapman and Hall/CRC. https://doi.org/10.1201/9781315274775
  22. Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45. https://doi.org/10.1080/00031305.2017.1380080
  23. Tsyganok, V. V., Kadenko, S. V., & Andriichuk, O. V. (2011). Simulation of expert judgements for testing the methods of information processing in decision-making support systems. Journal of Automation and Information Sciences, 43(12). https://doi.org/10.1615/JAutomatInfScien.v43.i12.30
  24. Tsyganok, V., Kadenko, S., Andriichuk, O., & Roik, P. (2018, October). Combinatorial method for aggregation of incomplete group judgments. In 2018 IEEE First International Conference on System Analysis & Intelligent Computing (SAIC), 1–6. IEEE. https://doi.org/10.1109/SAIC.2018.8516768
  25. Wan, R., Mei, S., Wang, J., Liu, M., & Yang, F. (2019). Multivariate temporal convolutional network: A deep neural networks approach for multivariate time series forecasting. Electronics, 8(8), 876. https://doi.org/10.3390/electronics8080876
  26. Whitley, D. (1994). A genetic algorithm tutorial. Statistics and computing, 4(2), 65–85. https://doi.org/10.1007/BF00175354
  27. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), 67–82. https://doi.org/10.1109/4235.585893
  28. Yan, W. (2012). Toward automatic time-series forecasting using neural networks. IEEE transactions on neural networks and learning systems, 23(7), 1028–1039. https://doi.org/10.1109/TNNLS.2012.2198074