Классификация моделей прогнозирования
Здесь необходимо переходить к классификации моделей прогнозирования. На первом этапе модели следует разделить на две группы: модели предметной области и модели временных рядов.
Рисунок 1.2 – Формализованные методы прогнозирования
Модели предметной области – это такие математические модели прогнозирования, при построения которых используются законы предметной области, используются зависимости, свойственные конкретной предметной области. В разработке моделей такого типа свойственен индивидуальный подход в разработке.
Модели временных рядов –это такие математические модели прогнозирования, стремящиеся найти зависимость будущих значений от прошлых внутри самого процесса и на этой зависимости вычислить прогноз. Данные модели универсальны для различных предметных областей, т.е. их общий вид не меняется в зависимости от природы временного ряда [3].
Классифицируем модели временных рядов.
Рисунок 1.3 – Модели временных рядов прогнозных моделей
Модели временных рядов можно разделить на две группы: статистические и структурные.
Статистические модели, показывают зависимость будущего значения от прошлого, оно задается в виде некоторого уравнения. К ним относятся:
- регрессионные модели (линейная регрессия, нелинейная регрессия);
- авторегрессионные модели (ARIMAX, GARCH, ARDLM);
- модель экспоненциального сглаживания;
- модель по выборке максимального подобия.
|
|
В структурных моделях показаны зависимости будущих значений от прошлых, которые задаются в виде некоторой структуры и правил перехода по ней. К ним относятся:
- нейросетевые модели;
- модели на базе цепей Маркова;
- модели на базе классификационно-регрессионных деревьев.
На сегодняшний день моделей прогнозирования временных рядов имеется уже громадное количество и для построения прогнозов, например, стали использовать SVM (support vector machine) модели, GA (genetic algorithm) модели и многие другие[4].
Таким образом мы получили следующую классификацию моделей и методов прогнозирования.
Рисунок 1.4 - Общая классификация моделей и методов прогнозирования
В данной работе был использован формализованный метод с использованием структурной модели – нейросети.
Методы аппроксимации экспериментальных данных
В настоящее время задача аппроксимации является актуальной темой практически для каждого технического исследования. От выбора вида аппроксимации в существенной мере зависят количественные характеристики и качественные свойства описания изучаемых объектов.
Под аппроксимацией понимается замена одних математических объектов другими, в том или ином смысле близким к исходным. В данном случае широкое понятие аппроксимации будет использоваться в узком смысле – как «восстановление функциональной зависимости по экспериментальным данным». Проведение какого-либо эксперимента является частью задачи моделирования, ставящей целью использование построенной модели для практического применения (выполнения расчетов различных устройств, установок) или для дальнейшего развития какой-либо теории естественных наук. [5].
|
|
Дата добавления: 2018-04-15; просмотров: 476; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!