Другие журналы

научное издание МГТУ им. Н.Э. Баумана

НАУКА и ОБРАЗОВАНИЕ

Издатель ФГБОУ ВПО "МГТУ им. Н.Э. Баумана". Эл № ФС 77 - 48211.  ISSN 1994-0408

Оценка прогнозируемости динамических показателей на основе коэффициента ранговой корреляции

# 09, сентябрь 2016
DOI: 10.7463/0916.0845015
Файл статьи: SE-BMSTU...o073.pdf (1216.89Кб)
авторы: Краковский Ю. М.1, Лузгин А. Н.2,*

УДК 519.688

1 Иркутский государственный университет путей сообщения,
Иркутск, Россия

2 Администрация города Иркутска, Иркутск, Россия

Большинство современных организаций и предприятий осуществляют свою деятельность в условиях неопределённости, когда эффективность принятия управленческих решений напрямую зависит от точности прогнозирования базовых динамических показателей, которые, как правило, формализуются в виде временных рядов или рядов динамики. Известно, что к наиболее перспективным методам прогнозирования таких показателей относятся кластерные и нейронные методы. В предыдущих статьях авторами был предложен подход интервального прогнозирования динамических показателей с использованием таких методов. Суть данного подхода заключается в оценке прогнозных значений динамического показателя на основе вероятностей их принадлежности заранее введённым интервалам. Так как при таком прогнозировании оценивается не само будущее значение показателя, а то, в каком интервале оно будет находиться, такое прогнозирование было названо интервальным, а соответствующие вероятности интервальными.
При проведении интервального прогнозирования используется вся доступная предыстория значений временного ряда, которая непосредственно влияет на качество построенной модели прогнозирования и, как следствие, на точность интервального прогнозирования в будущий момент времени. Возникает вопрос: а можно ли по предыстории временного ряда количественно оценить возможность осуществления интервального прогнозирования, не осуществляя само прогнозирование? Для решения этого вопроса в настоящей статье предложен алгоритм расчета коэффициента интервальной прогнозируемости на основе модифицированного рангового коэффициента корреляции Спирмена. Экспериментально показано, что значение коэффициента интервальной прогнозируемости позволяет количественно оценить, насколько целесообразно проводить интервальное прогнозирование динамического показателя на основе кластерного или нейронного метода в текущий момент времени. Рекомендовано осуществлять интервальное прогнозирование динамического показателя в текущий момент времени только в том случае, если рассчитанное по имеющейся выборке временного ряда значение коэффициента интервальной прогнозируемости не меньше 0,6.

Список литературы
1.Чучуева И.А., Павлов Ю.Н. Экстраполяция псевдослучайных процессов по максимуму подобия // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2009. №7. Режим доступа: http://technomag.neicon.ru/doc/129712.html (дата обращения 12.05.2016).
2.Васильев Д.А., Иващенко В.А. Прогнозирование активных нагрузок промышленных предприятий на основе кластеризации данных // Вестник СГТУ. 2009. №4. С. 96-98.
3.Чернецов С.А., Чучуева И.А. Прогнозирование уровня глюкозы в крови больных инсулинозависимым диабетом нейронными сетями и методом экстраполяции по выборке максимального подобия // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2010. № 11. С. 1-9. Режим доступа: http://technomag.neicon.ru/doc/162847.html (дата обращения 18.05.2016).
4.Mitrea C.A., Lee K.M., Wu Z. Comparison between Neural Networks and Traditional Forecasting Methods: A Case Study // International Journal of Engineering Business Management. 2009. Vol. 1, no. 2. Pp. 19-24. DOI: 10.5772/67775.Gosasang V., Chandraprakaikul W., Kiattisin S. A Comparison of Traditional and Neural Networks Forecasting Techniques for Container Throughput at Bangkok Port // The Asian Journal of Shipping and Logistics. 2011. Vol. 27, no. 3. Pp. 463-482. DOI: 10.1016/s2092-5212(11)80022-26.Surajit C., Deepak J., Goutami C. Trend estimation and univariate forecast of the sunspot numbers: development and comparison of ARMA, ARIMA and autoregressive neural network models // Comptes Rendus Geoscience. 2011. Vol. 343. Pp. 433-442. DOI: 10.1016/j.crte.2011.07.0087.Flores J., Graff M., Rodriguez H. Evolutive design of ARMA and ANN models for time series forecasting // Renewable Energy. 2012. Vol. 44. Pp. 225-230. DOI: 10.1016/j.renene.2012.01.0848.Valipour M., Banihabib M.E., Behbahani M.R. Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir // Journal of Hydrology. 2013. Vol. 476. Pp. 433–441. DOI: 10.1016/j.jhydrol.2012.11.0179.Орлов А.И. Компьютерно-статистические методы: состояние и перспективы // Научный журнал КубГАУ. 2014. № 103. С. 163-195.
10.Пьяных А.А. Анализ применения комбинированных моделей при краткосрочном прогнозировании временных рядов // Журнал СФУ. Техника и технологии. 2014. Т. 7, № 3. С. 359-363.
11.Panapakidis I.P. Clustering based day-ahead and hour-ahead bus load forecasting models // International Journal of Electrical Power & Energy Systems. 2016. Vol. 80. Pp. 171–178. DOI: 10.1016/j.ijepes.2016.01.03512.Jiménez-Pérez P.F., Mora-López L. Modeling and forecasting hourly global solar radiation using clustering and classification techniques // Solar Energy. 2016. Vol. 135. P. 682-691. DOI: 10.1016/j.solener.2016.06.03913.Azimi R., Ghayekhloo M., Ghofrani M. A hybrid method based on a new clustering technique and multilayer perceptron neural networks for hourly solar radiation forecasting // Energy Conversion and Management. 2016. Vol. 118. Pp. 331-344. DOI: 10.1016/j.enconman.2016.04.00914.Сизов А.А. Идентификация методов прогнозирования временных рядов с переменной структурой // Системы компьютерной математики и их приложения. 2015. № 16. С. 101-103.
15.Краковский Ю.М., Лузгин А.Н. Адаптивная вероятностно-статистическая кластерная модель интервального прогнозирования нестационарных динамических показателей // Современные технологии. Системный анализ. Моделирование. 2015. № 1(45). C. 80-84.
16.Краковский Ю.М., Лузгин А.Н. Интервальное прогнозирование нестационарных динамических показателей на основе модели вероятностной нейронной сети // Научная мысль. 2016. № 1. С. 116-122.
17.Spearman's rank correlation coefficient. Wikipedia: свободная энциклопедия. Режим доступа: https://en.wikipedia.org/wiki/Spearman's_rank_correlation_coefficient (дата обращения 25.06.2016).
18.The R project of statistical computing: веб-сайт. Режим доступа: http://www.r-project.org (дата обращения 20.04.2016).
19.Лощинин М.А. Отдельные аспекты анализа временных рядов и прогнозирования на языке R // Техника и технология: новые перспективы развития. 2015. № 17. С. 12-16.
20.Краковский Ю.М., Лузгин А.Н. Программное обеспечения интервального прогнозирования нестационарных динамических показателей // Вестник ИрГТУ. 2015. № 4. C.12-16.
Поделиться:
 
ПОИСК
 
elibrary crossref ulrichsweb neicon rusycon
 
ЮБИЛЕИ
ФОТОРЕПОРТАЖИ
 
СОБЫТИЯ
 
НОВОСТНАЯ ЛЕНТА



Авторы
Пресс-релизы
Библиотека
Конференции
Выставки
О проекте
Rambler's Top100
Телефон: +7 (915) 336-07-65 (строго: среда; пятница c 11-00 до 17-00)
  RSS
© 2003-2017 «Наука и образование»
Перепечатка материалов журнала без согласования с редакцией запрещена
 Тел.: +7 (915) 336-07-65 (строго: среда; пятница c 11-00 до 17-00)