2. Стан проблеми моделювання і
прогнозування складних систем
• Прості системи можуть бути описані простими
моделями
• Системи середньої складності описуються
простими моделями гірше, ніж складними
(обгрунтована необхідність ускладнення)
• Складні системи погано описуються як
простими, так і складними моделями
• ? При якій складності моделі можна отримати
кращі прогнози складної системи?
3. Підходи до оцінювання
складності моделі, порівняння
складності моделей
• Розрахункова складність (складність
алгоритму побудови і використання
моделі)
• Складність за кількістю факторів, які
враховує модель
• Описова складність (множина станів
системи, які можуть бути описані
моделлю)
4. Приклад моделі зі змінною
складністю – модель
поліноміального тренду
Y(t)=a0+a1t+a2t2
+…+aktk
Горизонт прогнозу Np –
задається дослідником
Степінь поліному k та
довжина вибірки навчання –
параметри, які треба визначити
( )( )
N
yty
MSE
N
i
ii∑
=
−
= 1
2
( )
%100
1
⋅
−
= ∑
+
=
NpN
Ni i
ii
y
yty
Np
MAPE
5. Приклад моделі зі змінною
складністю – модель поліноміального
тренду
• Степінь полінома k – параметр складності.
• Довжина навчальної вибірки N – теж
параметр складності.
• Похибка на перевірочній вибірці – міра якості
моделі з заданими параметрами k та N.
• Постановка задачі: знайти значення
параметрів k (степінь полінома) та N
(довжина навч. вибірки), при яких середня
абсолютна процентна похибка була б
мінімальною.
14. Висновки з експерименту
• При збільшенні бажаної довжини прогнозу точність
прогнозування зменшується.
• При бажаних довжинах прогнозу довше 25 днів
оптимальний степінь полінома –1 (лінійний тренд,
найпростіша модель)
• Оптимальна довжина вибірки навчання варіюється
від Np до 4,5*Np (Np – довжина прогнозу), найкраща
якість прогнозу продемонстрована для 2*Np (250 та
500 днів для більшості випадків)
• Для прогнозування на короткі відстані (менше 25
днів) найбільш оптимальне є застосування поліномів
степеня 5.
15. Метод дискретного Фур’є-продовження
Ітераційний метод визначення гармонік
в методі дискретного Фур’є-
продовження
- вихідний ряд.
• На кожному кроці за методом МНК
мінімізується нев’язка
• одночастинне наближення,
• двохчастинне наближення,…
( ) ( )0r t y t=
( ) ( ) ( )
+++−= ∑=
−
m
j
ijijijii etdcbtatrtr
1
1 sin
1,2,...i =
i
( )ir t
( )y t
1m =
2m =
17. Висновки і перспективи
досліджень
• Оптимальні параметри прогнозної моделі (її
складність) залежать від заданого горизонту
прогнозування
• В класі поліноміальних моделей при
довгостроковому прогнозуванні більш
ефективними є моделі 1 порядку (лінійні)
• В класі лінійних гармонічних моделей
оптимальним є апроксимація по одній
гармоніці
18. Висновки і перспективи
досліджень
Перспективи досліджень:
• Дослідження оптимальної складності
поліноміальних моделей при
короткостроковому прогнозуванні
• Створення методів пошуку оптимальної
складності (крос-валідації) для
авторегресійних, нейромережних,
марківських моделей