Адаптивне моделювання і прогнозування нелінійних нестаціонарних процесів
DOI:
https://doi.org/10.18372/1990-5548.63.14515Ключові слова:
Aдаптивне моделювання, ймовірнісно-статистичні моделі, короткострокове прогнозування, невизначеності у моделюванні, принципи системного аналізуАнотація
Дослідження спрямоване на створення адаптивної системи підтримки прийняття рішень для моделювання і прогнозування нелінійних нестаціонарних процесів в економіці, фінансах та інших галузях людської діяльності. Запропоновано процедури для адаптивного оцінювання структури і параметрів регресійних і ймовірнісних моделей, а також архітектура і функціональна схема відповідної інформаційної системи. Розробка системи ґрунтується на принципах системного аналізу, таких як адаптивне оцінювання структури моделей, оптимізація процедур оцінювання параметрів моделей, ідентифікація та врахування можливих невизначеностей, які зустрічаються при обробці даних і побудові математичних моделей. Невизначеності зустрічаються при зборі даних, побудові моделей, в процедурах прогнозування і відіграють роль факторів негативного впливу на обчислювальні процедури в інформаційній системі. Зменшення їх впливу сприяє підвищенню якості проміжних та остаточних результатів обчислень. Розглянуто ілюстративні приклади практичного застосування розробленої системи, що підтверджують її функціональність.
Посилання
C. S. Jao, Efficient decision support systems – practice and challenges from current to future. Rijeka (Croatia): Intech, 2011, 556 p. https://doi.org/10.5772/682
G. Fernandez, Data mining using SAS applications. New York: CRC Press LLC, 2003, 360 p. https://doi.org/10.1201/9781420057331
S. O. Dovgyj, P. I. Bidyuk, and O. M. Trofymchuk, DSS on the basis of statistical and probabilistic methods. Kyiv: Logos, 2014, 419 p.
M. Z. Zgurowskii and N. D. Pankratova, System analysis: problems, methodology, applications. – Kyiv: Naukova Dumka, 2005, 745 p.
C. Harris, X. Hong, and Q. Gan, Adaptive modeling, estimation and fusion from data. Berlin: Springer, 2002, 322 p. https://doi.org/10.1007/978-3-642-18242-6
C. Harvey, Forecasting, structural time series models and the Kalman filter. Cambridge: The MIT Press, 1990, 554 p. https://doi.org/10.1017/CBO9781107049994
E. Rasmussen and C. K. I. Williams, Gaussian processes for machine learning. Cambridge (Massachusetts), The MIT Press, 2006, 248 p. https://doi.org/10.7551/mitpress/3206.001.0001
P. I. Bidyuk, V. D. Romanenko, and O. L. Tymoshchuk, Time series analysis. Kyiv: Polytechnika, NTUU "KPI", 2013, 600 p.
E. Almeida, C. Ferreira, and J. Gama, Adaptive model rules from data streams, in: H. Blockeel, K. Kersting, S. Nijssen, F. Zelezny (eds) Machine Learning and Knowledge Discovery in Data bases. ECML PKDD-2013. Lecture Notes in Computer Science, vol. 8188, Springer, Berlin, pp. 480–492.
G. Succarat and A. Escribano, "Automated model selection in finance: general-to-specific modeling of the mean, variance and density," Oxford Bulletin of Economics and Statistics, vol. 74, issue 5, 2012, pp. 716–735. https://doi.org/10.1111/j.1468-0084.2011.00669.x
F. Pretis, J. J. Reade, and G. Succarat, "Automated general-to-specific (GETS) regression modeling and indicator saturation for outliers and structural breaks," Journal of Statistical Software, vol. 86, issue 3, pp. 1–44, 2018. https://doi.org/10.18637/jss.v086.i03
R. Quintana and M. T. Leung, "Adaptive exponential smoothing versus conventional approaches for lumpy demand forecasting: case of production planning for a manufacturing line," International Journal of Production Research, vol. 45, issue 21, pp. 4937–4957, 2007. https://doi.org/10.1080/00207540600932046
L. Giraitis, G. Kapetanis, and S. Price, "Adaptive forecasting in the presence of recent and ongoing structural change," Journal of Econometrics, vol. 177, issue 2, pp. 153–170, 2013. https://doi.org/10.1016/j.jeconom.2013.04.003
M. H. Pesaran, A. Pick, and M. Pranovich, "Optimal forecasts in the presence of structural breaks," Journal of Econometrics, vol. 177, issue 2, pp. 134–152, 2013. https://doi.org/10.1016/j.jeconom.2013.04.002
T. J. Watsham and K. Parramore, Quantitative Methods in Finance. London: International Thomson Business Press, 1997, 395 p.
E. Xekalaki and S. Degiannakis, ARCH Models for Financial Applications. New York: John Wiley & Sons, Ltd, Publication, 2010, 535 p. https://doi.org/10.1002/9780470688014
P. Gibbs, Advanced Kalman filtering, least squares and modeling. Hoboken: John Wiley & Sons, Inc., 2011, 627 p. https://doi.org/10.1002/9780470890042
S. Haykin, Adaptive filter theory. Upper Saddle River (New Jersey): Prentice Hall, 2002, 922 p.
W. R. Gilks, S. Richardson, and D. J. Spiegelhalter, Markov Chain Monte Carlo in practice. New York: CRC Press LLC, 2000, 486 p.
V. S. Anfilatov, А. А. Emelyanov, and А. А. Kukushkin, System analysis in control engineering. Moscow: Finansy i Statistika, 2002, 368 p.
M. Z. Zgurowskii and V. N. Podladchikov, Analytical technics of Kalman filtering. Kyiv: Naukova Dumka, 1995, 285 p.
R. G. Cowell, A. Ph. Dawid, S. L. Lauritzen, and D. J. Spiegelhalter, Probabilistic networks and expert systems. Berlin: Springer, 1999, 321 p.
F. V. Jensen and Th. D. Nielsen, Bayesian networks and decision graphs. Berlin: Springer, 2007, 427 p. https://doi.org/10.1007/978-0-387-68282-2
T. Koski and J. M. Noble, Bayesian networks. New York: John Wiley and Sons, Ltd., Publication, 2009, 347 p. https://doi.org/10.1002/9780470684023
G. Corriveau, R. Guilbault, R. Tahan, and R. Sabourin, "Bayesian network as an adaptive parameter setting approach for genetic algorithms," Complex Intelligent Systems, no.1, pp. 1–23, 2016. https://doi.org/10.1007/s40747-016-0010-z
##submission.downloads##
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
