Метод обратного преобразования для анализа временных рядов
- Авторы: Ширяева Т.А.1, Хлупичев В.А.1, Шлепкин А.К.1, Мельникова О.Л.2
-
Учреждения:
- Красноярский государственный аграрный университет
- Хакасский государственный университет имени М. Ф. Катанова
- Выпуск: Том 21, № 1 (2020)
- Страницы: 34-40
- Раздел: Раздел 1. Информатика, вычислительная техника и управление
- URL: https://journals.eco-vector.com/2712-8970/article/view/562982
- DOI: https://doi.org/10.31772/2587-6066-2020-21-1-34-40
- ID: 562982
Цитировать
Полный текст
Аннотация
В современных условиях развития технологий признаки системности проявляются в той или иной степени во всех областях, поэтому использование системного анализа является актуальной задачей. При этом главными факторами в данной ситуации являются обработка данных и прогнозирование состояния системы. Для заданного объекта в качестве способа прогнозирования в данной работе применяется моделирование, а точнее математическое моделирование. Математическая модель – это универсальное средство исследования сложных систем, представляющее собой приближенное описание какого-либо класса явлений внешнего мира, выраженное с помощью математической символики.
Математическую модель можно представить как совокупность систематических компонентов и случайной составляющей. В данной статье регрессионная модель уже определена, а в качестве объекта прогнозирования рассмотрена остаточная нерегулярная компонента модели, которая отражает воздействие многочисленных факторов случайного характера.
Происхождение, природа и законы изменения данной случайной величины нам неизвестны, поэтому для моделирования ее поведения или предсказания ее будущих значений необходимо с высокой степенью достоверности установить вид непрерывной функции распределения данной случайной величины.
Для этого была рассчитана эмпирическая функция распределения с помощью выборки из значений случайной величины. Данная эмпирическая функция в определенной степени приближена к значениям искомой неизвестной функции распределения. Полученная эмпирическая функция носит дискретный характер, поэтому необходимо применить кусочно-линейную интерполяцию и таким образом получить непрерывную функцию распределения.
В исходную регрессионную модель была включена спрогнозированная случайная компонента временного ряда. Для того чтобы сравнить дополненную и исходную регрессионные модели, из динамического ряда были исключены несколько значений и построен новый прогноз. Рассчитано значение средней ошибки аппроксимации для оценки качества модели. Дополненная регрессионная модель показала себя эффективнее исходной.
Ключевые слова
Об авторах
Тамара Алексеевна Ширяева
Красноярский государственный аграрный университет
Email: info@kgau.ru
кандидат физико-математических наук, доцент, доцент кафедры информационных технологий и математического обеспечения информационных систем
Россия, 660001, г. Красноярск, проспект Мира, 90Владимир Александрович Хлупичев
Красноярский государственный аграрный университет
Email: vova.khlp@yandex.ru
магистрант
Россия, 660001, г. Красноярск, проспект Мира, 90Анатолий Константинович Шлепкин
Красноярский государственный аграрный университет
Автор, ответственный за переписку.
Email: ak_kgau@mail.ru
доктор физико-математических наук, профессор, профессор кафедры высшей математики и компьютерного моделирования
Россия, 660001, г. Красноярск, проспект Мира, 90Ольга Леонидовна Мельникова
Хакасский государственный университет имени М. Ф. Катанова
Email: olga-l-melnikova@yandex.ru
кандидат педагогических наук, доцент кафедры информационных технологий и систем
Россия, 655017, г. Абакан, проспект Ленина, 90Список литературы
- Егоршин А. В. Постановка задачи прогнозирования временного ряда порождаемого динамической системой. Йошкарала: Марийский гос. техн. ун-т. 2007. С. 136–140.
- Урмаев А. С. Основы моделирования на ЭВМ. М.: Наука, 1978. 246 с.
- Ежова Л. Н. Эконометрика. Начальный курс с основами теории вероятностей и математической статистики. Иркутск: Байкальский гос. ун-т, 2008. 287с.
- Анисимов А. С., Кононов В. Т. Структурная идентификация линейных дискретных динамических систем // Вестник НГТУ. 2005. № 1. С. 21–36.
- Хинчин А. Я. Работы по математической теории массового обслуживания. М.: Физматгиз, 1963. 296 с.
- Гайдерс М. А. Общая теория систем. М.: Глобус-пресс, 2005. 201 с.
- Кондрашов Д. В. Прогнозирование временных рядов на основе использования полиномов Чебышева, наименее уклоняющихся от нуля // Вестник Самарского гос. тех. ун-та. Серия: Технические науки. 2005. № 32. С. 49–53.
- Пугачев В. С. Теория вероятностей и математическая статистика. М.: Наука, 1979. 336 с.
- Бусленко Н. П. Моделирование сложных систем. М.: Наука, 1968. 230 с.
- Пугачев В. С. Теория случайных функций и ее применение к задачам автоматического управления. М.: Физматгиз, 1960. 236 с.
- Белгородский Е. А. О некоторых дискуссионных проблемах прогнозирования // Уральский геологический журнал. 2000. № 2. С. 25–32.
- Аверилл М. Л., Кельтон Д. Имитационное моделирование. СПб.: Питер, 2004. 505 с.
- Двойрис Л. И. Прогнозирование временных рядов на основе анализа главных компонент // Радиотехника. 2007. № 2. С. 68–71.
- Ван дер Варден. Математическая статистика. М.: ИЛ, 1960. 436 с.
- Гренандер У. Случайные процессы и статистические выводы. М.: ИЛ, 1961. 168 с.
Дополнительные файлы
![](/img/style/loading.gif)