Синтез комбінованої нейромережевої моделі прогнозування

Abstract

В роботi запропоновано метод побудови комбiнованої моделi для прогнозування часових рядiв. У роботi розглянутi класичнi базовi моделi прогнозування i на їх основi будується комбiнована модель, яка допускає нейромережеву реалiзацiю. Множина базових моделей э динамiчною, тобто у цю множину можуть вноситися новi моделi прогнозування, можуть видалятися моделi залежно вiд властивостей часових рядiв. Для синтезу комбiнованої моделi прогнозування з заданим кроком прогнозу, на початку визначається оптимальний крок передiсторiї. Будується функцiонал i для фiксованого кроку прогнозу методом авторегресiї визначається оптимальний крок передiсторiї, що визначає промiжок часу на якому проводиться аналiз точностi моделей з базової множини. У процесi побудови комбiнованої моделi для кожної базової моделi визначається ваговий коефiцiєнт з яким вона входить у комбiновану модель. Ваговi коефiцiєнти базових моделей визначаються на пiдставi їх точностi прогнозування на часовому перiодi, визначеного кроком передiсторiї. Ваговi коефiцiєнти вiдображають мiру впливу базових моделей на точнiсть прогнозування комбiнованої моделi. Пiсля побудови комбiнованої моделi проводиться її навчання та визначаються тi базовi моделi, якi будуть внесенi в остаточну комбiновану модель прогнозування. Внаслiдок такого пiдходу, як показують конкретнi приклади, у багатьох випадках вдалося iстотно покращити точнiсть прогнозування комбiнованої моделi.

The paper proposes a method of building a combined model for forecasting time series. In the work, classic basic models of forecasting are considered and a combined model is built on their basis, which allows neural network implementation. The set of basic models is dynamic, that is, new forecasting models can be added to this set, models can be deleted depending on the properties of the time series. For the synthesis of a combined forecasting model with a given forecast step, the optimal step of the background history is determined at the beginning. A functional is built, and for a fixed step of the forecast, the optimal step of the history is determined by the autoregression method, which determines the time interval during which the analysis of the accuracy of the models from the base set is carried out. In the process of building a combined model, the weight factor with which it is included in the combined model is determined for each basic model. The weighting coefficients of the basic models are determined on the basis of their forecasting accuracy in the time period determined by the history step. The weighting coefficients reflect the degree of influence of the base models on the forecasting accuracy of the combined model. After the combined model is built, it is trained and the basic models that will be included in the final combined forecasting model are determined. As a result of this approach, as concrete examples show, in many cases it was possible to significantly improve the forecasting accuracy of the combined model.