📄Работа №129187
Тема: Прогнозирование временных рядов при небольших объемах исходных данных
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Информатика и вычислительная техника
Объем:
50 листов
Год:
2020
Просмотров:
168
4380
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3-4
Постановка задачи 5
Обзор литературы 6-8
Глава 1. Модели прогнозирования временных рядов 9
1.1 Модель Naive 9
1.2 Авторегрессионная модель (AR) 10
1.3 Модель скользящего среднего (MA) 10-11
1.4 Модель авторегрессии — скользящего среднего (ARMA) 11
1.5 Интегрированная модель авторегрессии — скользящего среднего
(ARIMA) 11
1.6 Модель векторной авторегрессии (VAR) 12
1.7 Модель экспоненциального сглаживания (SES) 12
1.8 Модель авторегрессионной условной гетероскедастичности
(ARCH) 13
1.9 Модель обобщенной авторегрессионной условной
гетероскедастичности (GARCH) 13-14
1.10 Нейронная сеть на основе многослойного перцептрона(MLP) 14-15
1.11 Рекуррентная нейронная сеть на основе долгой кратковременной
памяти^ S TM) 15-16
1.12 Сверточная нейронная сеть (CNN) 16-17
Глава 2. Реализация выбранных моделей 18
2.1 Обзор и предобработка исходных данных 18-20
2.2 Выбор программных инструментов 20
2.3 Структура программной реализации 20-22
Глава 3. Экспериментальное исследование моделей 23
3.1 Исследование моделей с учетом их параметров 23-30
3.2 Общий результат 31
Заключение 32
Список литературы 33-34
Постановка задачи 5
Обзор литературы 6-8
Глава 1. Модели прогнозирования временных рядов 9
1.1 Модель Naive 9
1.2 Авторегрессионная модель (AR) 10
1.3 Модель скользящего среднего (MA) 10-11
1.4 Модель авторегрессии — скользящего среднего (ARMA) 11
1.5 Интегрированная модель авторегрессии — скользящего среднего
(ARIMA) 11
1.6 Модель векторной авторегрессии (VAR) 12
1.7 Модель экспоненциального сглаживания (SES) 12
1.8 Модель авторегрессионной условной гетероскедастичности
(ARCH) 13
1.9 Модель обобщенной авторегрессионной условной
гетероскедастичности (GARCH) 13-14
1.10 Нейронная сеть на основе многослойного перцептрона(MLP) 14-15
1.11 Рекуррентная нейронная сеть на основе долгой кратковременной
памяти^ S TM) 15-16
1.12 Сверточная нейронная сеть (CNN) 16-17
Глава 2. Реализация выбранных моделей 18
2.1 Обзор и предобработка исходных данных 18-20
2.2 Выбор программных инструментов 20
2.3 Структура программной реализации 20-22
Глава 3. Экспериментальное исследование моделей 23
3.1 Исследование моделей с учетом их параметров 23-30
3.2 Общий результат 31
Заключение 32
Список литературы 33-34
📖 Введение
Прогнозирование посредством представления временными рядами рассматриваемых процессов, изменяющихся характеристик или других данных, зависящих от времени, используется во многих областях: это и бизнес, экономика, инженерия, физика, химия, метеорология, социология и др. В частности, наблюдения в каком-либо химическом процессе, цены акций конкретной компании на бирже, прогноз погоды, количество дорожно-транспортных происшествий, данные о количестве проданных товаров и полученной прибыли и многое другое можно охарактеризовать временными рядами. Тем самым, прогнозирование этих рядов является очень важной задачей, т.к. она позволяет нам получить оценку будущих наблюдений заранее, что несет выгоду разного характера.
Временные ряды обычно моделируются посредством счетного стохастического процесса Y(t), tEN,то есть счетной совокупности случайных величин, при этом, этот процесс зависит от времени. В условиях прогнозирования мы находимся в момент времени t,и мы заинтересованы в оценке Y(£нач+ t), £нач, tEN,используя только информацию, доступную в полуинтервале времени [£нач; £нач+ f).Длиной временного ряда чаще всего обозначают количество наблюдений или время от начала до конца процесса. Подробно об этом в учебнике Броквелла и Девиса [1].
Точность при прогнозировании будущих наблюдений зависит от количества известных нам наблюдений, то есть от длины полуинтервала [£нач; £нач+ t). Чаще всего, компании, имеющие данные о продажах своего товара за несколько лет, могут спрогнозировать прибыль в следующем месяце намного лучше, чем только что открывшиеся компании, проработавшие пару месяцев. Подобную закономерность можно увидеть и в других сферах жизни. Именно в этом кроется проблема небольших объемов исходных данных- не в количестве рядов, а в их длине.
Для прогнозирования временных рядов используются десятки методов: от наивных и регрессионных моделей до нейронных сетей. Все эти модели при большом количестве наблюдений дают лучший результат (за исключением наивных моделей), и есть очень много материалов об их эффективности на рядах большой длины, что позволяет выбрать, какую модель лучше использовать. Но что делать, если количество наблюдений крайне мало, и какую модель регрессии выбрать для прогнозирования будущих значений? В этой работе будут рассмотрены данные вопросы.
Временные ряды обычно моделируются посредством счетного стохастического процесса Y(t), tEN,то есть счетной совокупности случайных величин, при этом, этот процесс зависит от времени. В условиях прогнозирования мы находимся в момент времени t,и мы заинтересованы в оценке Y(£нач+ t), £нач, tEN,используя только информацию, доступную в полуинтервале времени [£нач; £нач+ f).Длиной временного ряда чаще всего обозначают количество наблюдений или время от начала до конца процесса. Подробно об этом в учебнике Броквелла и Девиса [1].
Точность при прогнозировании будущих наблюдений зависит от количества известных нам наблюдений, то есть от длины полуинтервала [£нач; £нач+ t). Чаще всего, компании, имеющие данные о продажах своего товара за несколько лет, могут спрогнозировать прибыль в следующем месяце намного лучше, чем только что открывшиеся компании, проработавшие пару месяцев. Подобную закономерность можно увидеть и в других сферах жизни. Именно в этом кроется проблема небольших объемов исходных данных- не в количестве рядов, а в их длине.
Для прогнозирования временных рядов используются десятки методов: от наивных и регрессионных моделей до нейронных сетей. Все эти модели при большом количестве наблюдений дают лучший результат (за исключением наивных моделей), и есть очень много материалов об их эффективности на рядах большой длины, что позволяет выбрать, какую модель лучше использовать. Но что делать, если количество наблюдений крайне мало, и какую модель регрессии выбрать для прогнозирования будущих значений? В этой работе будут рассмотрены данные вопросы.
✅ Заключение
В рамках данной работы был проведен экспериментальный анализ работы 12-ти самых часто используемых моделей прогнозирования рядов с точки зрения небольших исходных данных, эти модели были реализованы и протестированы на большом количестве рядов небольшой длины, каждой модели были подобраны параметры, при которых они показывают лучший результат прогноза. По результатам анализа работы всех рассмотренных моделей было выявлено, что наилучшая модель для прогнозирования временных рядов малой длины для представленных исходных данных является сверточная нейронная сеть (CNN), при этом, если ставится задача прогнозирования всех временных рядов, без возможности их разбиения на выборки, то наилучшей моделью для прогнозирования является интегрированная модель авторегрессии — скользящего среднего (ARIMA).
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.