Модели прогнозирования процессов, представленных временными рядами с короткой актуальной частью

Модели прогнозирования процессов, представленных временными рядами с короткой актуальной частью

Автор: Скворцова, Татьяна Сергеевна

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2011

Место защиты: Рязань

Количество страниц: 255 с. ил.

Артикул: 5379323

Автор: Скворцова, Татьяна Сергеевна

Стоимость: 250 руб.

Модели прогнозирования процессов, представленных временными рядами с короткой актуальной частью  Модели прогнозирования процессов, представленных временными рядами с короткой актуальной частью 

ВВЕДЕНИЕ.
ГЛАВА 1 ОБЗОР И АНАЛИЗ МЕТОДОВ И МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ
С КОРОТКОЙ АКТУАЛЬНОЙ ЧАСТЬЮ
1.1 Цели, этапы и методы анализа временных рядов
1.2 Классификация временных рядов.
1.3 Анализ временных рядов
1.3.1 Детерминированная и случайная составляющие
временного ряда.
1.3.2 Порядок анализа временных рядов
1.3.3 Методы сведения к стационарности.
1.3.4 Методы исследования структуры стационарного
временного ряда.
1.3.5 Линейные модели временных рядов
КЗ.6 Прогнозирование временных рядов по тренду.
1.4 Недостатки традиционных методов, моделей
и существующих систем анализа временных рядов.
1.5 Классификация формальных описаний для прогнозирования процессов с детерминированной составляющей
1.6 Оценка качества прогнозирования процессов.
1.6.1 Метод последней точки
1.6.2 Метод тестовой последовательности
фиксированной длины.
1.6.3 Метод тестовой последовательности
оптимальной длины.
1.6.4 Оценка точности воспроизведения тенденций
1.6.5 Критерии качества прогноза.
1.6.6 Консолидация прогнозов.
1.7 Прогнозирование временных рядов
с использованием гибридных технологий.
1.8 Прогнозирование на основе нечетких временных рядов
1.8.1 Интерпретация процессов .
1.8.2 Диагностика процессов. .
1.8.3 Прогнозирование процессов .
1. Планирование процессов. . .
1.8.5 Прогнозирование процессов, представленных временными.
рядами с короткой актуальной частью
1.9 Прогнозирование на основе искусственных иммунных систем
Выводы по главе
ГЛАВА 2 РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ НЕЧЕТКИХ МНОЖЕСТВ И МОДИФИЦИРОВАННОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА
2.1 Однофакторная модель прогнозирования
временных рядов на основе нечетких множеств
2.1.1 Одно факторная модель прогнозирования временных рядов,
представленных значениями фактора
.2 Однофакторная модель прогнозирования временных рядов,
представленных значениями приращений фактора .
2.2 Двухфакторная модель прогнозирования
временных рядов на основе нечетких множеств .
2.2.1 Двухфакторная модель прогнозирования временных рядов, представленных значениями фактора. .
2.2.2 Двухфакторная модель прогнозирования временных рядов, представленных значениями приращений фактора
2.3 Модифицированные генетические алгоритмы поиска
. . оптимальных параметров моделей прогнозирования.
2.3.1 Реализация модифицированного генетического алгоритма
V . з
2.3.2 Оценка вычислительной сложности
модифицированного генетического алгоритма
2.4 Примеры прогнозирования с использованием моделей прогнозирования на основе нечетких множеств
и модифицированного генетического алгоритма
2.4.1 Прогнозирование факторов, характеризующих уровень безработицы, с использованием моделей прогнозирования на основе нечетких множеств и модифицированного генетического алгоритма.
2.4.2 Прогнозирование факторов, характеризующих уровень занятости, с использованием моделей прогнозирования на основе нечетких множеств и модифицированного
генетического алгоритма
2.4.3 Прогнозирование факторов, характеризующих уровень жизни, с использованием моделей прогнозирования
на основе нечетких множеств и модифицированного
генетического алгоритма.
Выводы по главе 2.
ГЛАВА 3 РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ МОДИФИЦИРОВАННОГО АЛГОРИТМА КЛОНАЛЬНОГО ОТБОРА
3.1 Кодирование антител.
3.1.1 Кодирование антител с помощью бинарных деревьев.
3.1.2 Проблема корректности кодирования антител
с помощью бинарных деревьев
3.1.3 Разработка корректного способа кодирования антител.
3.2 Однофакторная модель прогнозирования временных рядов на основе модифицированного
алгоритма клонального отбора
3.2.1 Однофакторная модель прогнозирования временных рядов, представленных значениями фактора
3.2.2 Однофакторная модель прогнозирования временных рядов, представленных значениями приращений фактора.
3.2.3 Анализ подходов
к разработке моделей прогнозирования.
3.2.4 Модифицированный алгоритм клонального отбора.
3.2.5 Особенности реализации однофакторной модели прогнозирования на основе модифицированного
алгоритма клонального отбора
3.3 Двухфакторная модель прогнозирования временных рядов на основе модифицированного
ал горитма клонального отбора
3.3.1 Двухфакторная модель прогнозирования временных рядов, представленных значениями фактора
3.3.2 Двухфакторная модель прогнозирования временных рядов, представленных значениями приращений фактора.
3.3.3 Особенности реализации двухфакторной модели прогнозирования на основе модифицированного
алгоритма клонального отбора
3.4 Оценка вычислительной сложности моделей прогнозирования на основе модифицированного алгоритма
клонального отбора
3.5 Примеры прогнозирования с использованием
моделей прогнозирования на основе модифицированного
алгоритма клонального отбора.
3.5.1 Прогнозирование факторов, характеризующих уровень
безработицы, с использованием моделей прогнозирования на основе модифицированного алгоритма
клонального отбора
3.5.2 рогнозирование факторов, характеризующих уровень занятости, с использованием моделей прогнозирования на основе модифицированного алгоритма
клонального отбора.
3.5.3 Прогнозирование факторов, характеризующих уровень жизни, с использованием моделей прогнозирования на основе модифицированного алгоритма
клонального отбора.
Выводы по главе 3
ГЛАВА 4 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ МОДЕЛЕЙ И ААЛИЗ РЕЗУЛЬТАТОВ ПРОГНОЗИРОВАНИЯ
4.1 Общие характеристики пакета прикладных программ Модели прогнозирования с использованием гибридных технологий
4.2 Особенности разработки
пакета прикладных программ в среде 7.0
4.3 Пакет прикладных программ Модели прогнозирования
с использованием гибридных технологий.
4.4 Программная реализация комплекса iiiii.
4.4.1 Подкомплекс программ i iii i
4.4.2 Подкомплекс программ iiiii.
4.5 Программная реализация комплекса iiiIii
4.5.1 Подкомплекс программ
i
iiii
4.5.2 Подкомплекс программ
Т чуоБ асЮгЕ i эбс
ООДойссЮопаексйопАогкЬт.
4.6 Анализ моделей временных рядов
с короткой актуальной частью
4.6.1 Сравнительный анализ
разработанных моделей прогнозирования.
4.6.2 Сравнительный анализ классических и
разработанных моделей прогнозирования
4.6.3 Методика обобщения прогнозов.
Выводы по главе 4.
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЕ 1. Список сокращений.
ПРИЛОЖЕНИЕ 2. Копии документов о внедрении результатов
ПРИЛОЖЕНИЕ 3. Копии свидетельства о регистрации
программных продуктов.
ВВЕДЕНИЕ
Актуальность


На официальном сайте Федеральной службы государственной статистики Росстат в разделе Россия в цифрах представлены статистические данные, характеризующие показатели по следующим отраслялм население, труд, уровень жизни населения, образование, здравоохранение, охрана окружающей среды, правонарушения, валовой внутренний продукт, производство, сельское хозяйство, строительство, транспорт и связь, торговля и услуги населению, финансы, инвестиции цены, внешнеэкономическая деятельность. V Л. К числу наиболее известных статистических пакетов, получивших распространение в России, относятся 1, , , , II, , V, I, ЭВРИСТА, МЕЗОЗАВР, i, x, , СтатистикКонсультант, . Однако они не могут быть , эффективно использованы для прогнозирования процессов, представленных малым объемом статистического материала. Существующие системы прогнозирования представляют собой . Для подавляющего большинства реальных процессов, в силу их неустойчивости невозможно построить . ВР Многие алгоритмы используют для построения прогнозов предварительные оценки автокорреляционном функции, получение которых представляет достаточно сложную задачу, учитывая необходимость выбора порядка модели, и. Кроме того, многие коммерческие программные продукты не содержат в себе элементы адаптивности и самообучения, хотя техническая возможность и необходимый математический аппарат вполне достаточны. Следовательно, задача повышения точности прогнозирования. ВР с короткой актуальной частью, в условиях отсутствия априорной информации о вероятностныххарактеристи1ах. Модели прогнозирования на основе. НМ и ГА, а также модели прогнозирования на основе МАКО обеспечивают высокую точность прогноза процессов, представленных малыми объемами статистического материала, . Обычно для повышения точности используется многоальтернативное прогнозирование, призванное компенсировать потенциальные ошибки частных прогнозов, обусловленные неполным восстановлением процессов частными описаниями. В качестве прогнозирующего описания наиболее часто используется рекуррентная схема, аппроксимирующая процесс в целом. Рекуррентная схема точно воспроизводит процессы, описываемые показательными, полиномиальными и гармоническими функциями произведением показательных функций на гармонические и полиномиальные функции линейными комбинациями вышеназванных функций. Временной ряд это последовательность чисел его элементы это значения некоторого протекающего во времени процесса 0. Они измерены в последовательные моменты времени, обычно через равные промежутки. Как правило, составляющие временной ряд числа элементы временного ряда, нумеруют в соответствии с номером момента времени отсчета времени, к которому они относятся. Таким образом, порядок следования элементов временного ряда весьма существен. Понятие ВР часто толкуют более широко. Так, например, если регистрируются несколько характеристик исследуемого процесса, то говорят о многомерных ВР. Если измерения элементов ВР производятся непрерывно, то говорят о непрерывных ВР, или случайных процессах. Если измеряемые числовые . Данные типа ВР встречаются в самых различных областях человеческой деятельности. В технике ВР появляются в результате измерения параметров различных технологических процессов. В метеорологии к типичным ВР относится ежедневная температура воздуха, месячные объемы осадков и др. В экономике ВР представляют курсы валют, ежедневные цены на акции, годовые объемы производства, недельные объемы продаж и др. Изучение ВР является составной частью прикладной статистики, так как в изучаемые во временном развитии процессы почти всегда вмешивается случайная составляющая случайные помехи, случайные колебания, случайные ошибки и т. Поэтому анализ ВР образует самостоятельную и весьма обширную область статистики , 5, 2, в которой можно выделить самостоятельные разделы стационарные случайные процессы, точечные процессы, диффузные процессы и др. Теоретические и прикладные аспекты анализа ВР подробно описаны в целом ряде работ 7, , , . ВР по настоящим и прошлым значениям. Эти цели требуют, чтобы модель ВР была идентифицирована и, более или менее, формально описана , . Как только модель определена, с ее помощью можно интерпретировать рассматриваемые данные. На практике эти цели достижимы далеко не всегда и не в полной мерс. Часто этому препятствует недостаточный объем наблюдений недостаточная длительность а так же изменяющаяся с течением времени статистическая структура ВР 2, 3. ВР предсказывать его значения в будущем.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.237, запросов: 244