ВВЕДЕНИЕ 3
1. Математические методы анализа временных рядов 7
1.1 Оценка данных 7
1.2 Выявление тенденций в развитии временного ряда 8
1.3 Аналитическое сглаживание временного ряда 11
2. Прогнозирование на основе временных рядов 17
2.1 Прогнозирование на основе кривых роста 17
2.2 Прогнозирование на основе адаптивных моделей 19
2.2.1 Экспоненциальное сглаживание 21
2.2.2 Модели линейного роста 25
2.2.3 Стохастический процесс Тейла И Вейджа 27
2.2.4 Сезонные модели 29
2.2.5 Прогнозирование с коэффициентами сезонности 30
2.2.6 Аддитивная модель сезонных явлений 32
2.2.7 Модели авторегрессии — скользящего среднего (метод Бокса —Дженкинса) ...35
3. Автоматизация построения моделей 36
3.1 Разработка программного средства 36
3.1.1 Функции системы 36
3.1.2 Технические требования к системе 38
3.1.3 Описание программы 39
3.1.4 Результат работы системы 43
3.2 Анализ работы программной системы 44
ЗАКЛЮЧЕНИЕ 59
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 60
ПРИЛОЖЕНИЕ
Купить

Современное общество постоянно испытывает необходимость в прогнозировании. Решение задачи прогнозирования играет важнейшую роль в процессах как стратегического планирования, так и оперативного управления в различных сферах науки и техники.
Одним из методов, позволяющих обеспечить точное планирование, является прогнозирование. Несмотря на большое количество разработанных методов, все они преследуют одну и ту же цель — предсказать события, которые произойдут в будущем, чтобы учесть их при разработке планов и стратегии развития компании.
Задача прогнозирования будущих значений временного ряда на основе его исторических значений является основой для финансового планирования в экономике и торговле, планирования, управления и оптимизации объемов производства, складского контроля и т.д.
В настоящее время компаниями осуществляется накопление исторических значений экономических и физических показателей в базах данных, что существенно увеличивает объемы входной информации для задачи прогнозирования.
Вместе с тем, развитие аппаратных и программных средств предоставляет все более мощные вычислительные платформы, на которых возможна реализация сложных алгоритмов прогнозирования.
Кроме того, современные подходы к экономическому и техническому управлению предъявляют все более жесткие требования к точности прогнозирования.
Таким образом, задача прогнозирования временных рядов усложняется одновременно с развитием информационных технологий.
В настоящее время задача прогнозирования различных временных рядов актуальна и является неотъемлемой частью ежедневной работы многих компаний. Задача прогнозирования временного ряда решается на основе создания модели прогнозирования, адекватно описывающей исследуемый процесс.
Существенным недостатком авторегрессионного класса является большое число свободных параметров, идентификация которых неоднозначна и ресурсоемка. Существенным недостатком класса нейросетевых моделей является недоступность промежуточных вычислений, выполняющихся в «черном ящике», и, как следствие, сложность интерпретации результатов моделирования.
Кроме того, еще одним недостатком данного класса моделей является сложность выбора алгоритма обучения нейронной сети.
Применение каких-либо из существующих в настоящее время математических моделей и методов прогнозирования временных рядов тесно связано со спецификой предметной области и классификацией прогнозируемого временного ряда.
Задача прогнозирования финансовых временных рядов была и остается актуальной, поскольку предсказание является необходимым элементом любой инвестиционной деятельности, ведь сама идея инвестирования - вложения денег с целью получения дохода в будущем - основывается на идее прогнозирования будущего
Таким образом, задача анализа и прогнозирования работы предприятия является актуальной.
Существуют два общепринятых подхода к прогнозированию: качественный и количественный. Методы качественного прогнозирования особенно важны, если исследователю недоступны количественные данные. Как правило, эти методы носят весьма субъективный характер. Если имеются статистические данные об объекте исследования за прошедший временной период, следует применять методы количественного прогнозирования. Эти методы позволяют предсказать состояние объекта в будущем на основе данных о его прошлом. Методы количественного прогнозирования разделяются на две категории: анализ временных рядов и методы анализа причинно-следственных зависимостей.
Цель работы - реализация компьютерной поддержки анализа и моделирования тенденций временных рядов.
Задачи:
1. Провести анализ существующих методов анализа и моделирования тенденций временных рядов;
2. Проанализировать подходы к прогнозированию временных рядов с учетом ограничений каждого подхода;
3. Проанализировать существующий инструментарий;
4. Спроектировать программную систему анализа и моделирования тенденций временных рядов;
5. Разработать программную систему;
6. Протестировать работу программной системы.
Объект исследования - методы анализа и моделирования тенденций временных рядов.
Предмет исследования - программная поддержка анализа и моделирования тенденций временных рядов.
Методы исследования - методы алгоритмического сглаживания, методы аналитического сглаживания, адаптивные методы временных рядов.
Данная ВКР состоит из введения, трех глав, заключения, списка использованных источников.
Во введении представлена актуальность, цель, задачи, предмет и объект исследования.
В первой главе представлено описание математических методов анализа временных рядов, сформулированы цели и задачи исследования.
Во второй главе приведено описание методов прогнозирования на основе кривых роста и на основе адаптивных методов.
В третьей главе приведено описание разработанного в среде Delphi программного средства и проведен анализ его работы путем сравнения результатов расчета в программном средстве с аналогичными показателями, рассчитанными с использованием табличного процессора MS Excel.
ВКР написана на 62 страницах, содержит 1 таблицу, 64 формулы, 21 рисунок, 1 приложение
Купить