Адаптивные методы прогнозирования
Считается, что характерной чертой адаптивных методов прогнозирования является их способность непрерывно учитывать эволюцию динамических характеристик изучаемых процессов, «подстраиваться» под эту эволюцию, придавая, в частности, тем больший вес и тем более высокую информационную ценность имеющимся наблюдениям, чем ближе они к текущему моменту прогнозирования. Однако деление методов и моделей на «адаптивные» и «неадаптивные» достаточно условно. В известном смысле любой метод прогнозирования адаптивный, т.к. все они учитывают вновь поступающую информацию, в том числе наблюдения, сделанные с момента последнего прогноза. Общее значение термина заключается, по видимому, в том, что «адаптивное» прогнозирование позволяет обновлять прогнозы с минимальной задержкой и с помощью относительно несложных математических процедур. Однако это не означает, что в любой ситуации адаптивные методы эффективнее тех, которые традиционно не относятся к таковым. Постановка задачи прогнозирования с использованием простейшего варианта метода экспоненциального сглаживания формулируется следующим образом. Пусть анализируемый временной ряд представлен в виде
(3.19)
где a0 − неизвестный параметр, не зависящий от времени, а ετ − случайный остаток со средним значением, равным нулю, и конечной дисперсией. Как известно, экспоненциально взвешенная скользящая средняя ряда xτ в точке xt(λ) с параметром сглаживания (параметром адаптации) определяется формулой
(3.20)
которая дает решение задачи:
(3.21)
Коэффициент сглаживания λ можно интерпретировать также как коэффициент дисконтирования, характеризующий меру обесценения наблюдения за единицу времени. Для рядов с «бесконечным прошлым» формула (3.20) сводится к виду (3.22)
В соответствии с простейшим вариантом метода экспоненциального сглаживания прогноз для неизвестного значения xt+1 по известной до момента времени t траектории ряда xt строится по формуле
(3.23)
где значение определено формулой (3.20) или (3.22), соответственно для короткого или длинного временного ряда. Формула (3.23) удобна, в частности, тем, что при появлении следующего (t+1)-го наблюдения xt-1 пересчёт прогнозирующей функции производится с помощью простого соотношения Метод экспоненциального сглаживания можно обобщить на случай полиномиальной неслучайной составляющей анализируемого временного ряда, т.е. на ситуации, когда вместо (3.19) постулируется
(3.24)
где k ≥ 1. В соотношении (3.24) начальная точка отсчета времени сдвинута в текущий момент времени t, что облегчает дальнейшие вычисления. Соответственно, в схеме простейшего варианта метода прогноза значения xt+1 будут определяться соотношениями (3.24). Рассмотрим еще несколько методов, использующих идеологию экспоненциального сглаживания, которые развивают метод Брауна в различных направлениях. Метод Хольта Хольт ослабил ограничения метода Брауна, связанные с его однопараметричностью, введением двух параметров сглаживания в его модели прогноза и , на l такт времени в текущий момент t также определяется линейным трендом вида
(3.25)
где обновление прогнозирующих коэффициентов производится по формулам
(3.26)
Таким образом, прогноз по данному методу является функцией прошлых и текущих данных, параметров и , а также начальных значений и . Метод Хольта-Уинтерса Уинтерс развил метод Хольта так, чтобы он охватывал еще и сезонные эффекты. Прогноз, сделанный в момент t на l такт времени вперед, равен
(3.27)
где ωτ − коэффициент сезонности, а N − число временных тактов, содержащихся в полном сезонном цикле. Сезонность в этой формуле представлена мультипликативно. Метод использует три параметра сглаживания а его формулы обновления имеют вид
(3.28)
Как и в предыдущем случае, прогноз строится на основании прошлых и текущих значений временного ряда, параметров адаптации , и , а также начальных значений и
3.2.3 Аддитивная модель сезонности Тейла−Вейджа В экономической практике чаще встречаются экспоненциальные тенденции с мультипликативно наложенной сезонностью. Поэтому перед использованием аддитивной модели члены анализируемого временного ряда обычно заменяют их логарифмами, преобразуя экспоненциальную тенденцию в линейную, а мультипликативную сезонность в аддитивную. Преимущество аддитивной модели заключается в относительной простоте ее вычислительной реализации. Рассмотрим модель вида (в предположении, что исходные данные прологарифмированы) где a0(τ) − уровень процесса после элиминирования сезонных колебаний, a1(τ) − аддитивный коэффициент роста, ωt − аддитивный коэффициент сезонности, δt − белый шум. Прогноз, сделанный в момент t на l временной такт вперед, подсчитывается по формуле
(3.29) где коэффициенты , и ω вычисляются рекуррентным образом с помощью следующих формул обновления
(3.30)
В этих соотношениях, как и прежде, N − число временных тактов, содержащихся в полном сезонном цикле, а , и − параметры адаптации.
Популярное: Модели организации как закрытой, открытой, частично открытой системы: Закрытая система имеет жесткие фиксированные границы, ее действия относительно независимы... Личность ребенка как объект и субъект в образовательной технологии: В настоящее время в России идет становление новой системы образования, ориентированного на вхождение... Как вы ведете себя при стрессе?: Вы можете самостоятельно управлять стрессом! Каждый из нас имеет право и возможность уменьшить его воздействие на нас... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (400)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |