Просмотр статьи


Номер журнала: 2014.2

Заголовок статьи: Прогнозирование временны́х рядов на основе универсальной меры и деревьев принятия решений

Резюме

В данной работе предложены и развиты два метода прогнозирования временных рядов базирующихся на методах сжатия информации. Показано теоретическое обоснование описываемых методов, а также способы применения данных методов прогнозирования к случаю прогнозирования вещественных рядов. Кроме того, приведены результаты экспериментальных исследований двух рассматриваемых методов на примерах прогнозирования реальных экономических рядов, таких как индексы промышленных и потребительских цен и курсов валют, а также проведено исследование эффективности данных методов и способы выбора эффективных параметров работы данных методов.

Авторы

А.С. Лысяк, Б.Я. Рябко

Библиография

1. Ahmed N. An empirical comparison of machine learning models for time series forecasting // Econometric Reviews. 2010,Vol. 29, Issue 5-6. P. 594-621.
2. Palit A. K., Popovic D. Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications (Advances in Industrial Control). Springer-Verlag New York: Se-caucus, NJ, USA, 2005.
3. Zhang G., Patuwo B. E., Michael Y. H. Forecasting with articial neural networks:: The state of the art // International Journal of Forecasting. 1998. Vol. 14, Issue 1. P. 35--62.
4. Приставка П.А. Экспериментальное исследование метода прогнозирования, основанного на универсальных кодах // Вестник СибГУТИ, 2010. №4, C. 26--35.
5. Cheng H. et al. Multistep-ahead time series prediction // Lecture Notes in Computer Science. 2006. V. 3918. P. 765--774.
6. Bontempi G. Local Learning Techniques for Modeling, Prediction and Control. Ph.d., IRIDIA-Universit de Libre de Bruxelles, BELGIUM, 1999.
7. B. Ryabko. Compression-Based Methods for Nonparametric Prediction and Estimation of Some Characteristics of Time Series. // IEEE Transactions on Information Theory, Vol. 55, No. 9, 2009.P. 4309--4315.
8. Рябко Б. Я. Дважды универсальное кодирование // Проблемы передачи информации. 1984. Т. 20, № 3. С. 24--28
9. РябкоБ., МонарёвВ. Экспериментальное исследование методов прогнозирования, основанных на алгоритмах сжатия данных // Проблемы передачи информации. 2005. C. 65--69.
10. Nevill-Manning C.G., Witten I.H., Paynter G.W. Lexically-GeneratedSubjectHierarchiesforBrowsingLargeCollections // International Journalof Digital Libraries. 1999. Vol. 2, Issue 3. P. 111--123.
11. Nevill-Manning C.G., Witten I.H.Identifying Hierarchical Structure in Sequences: A linear-time algorithm // Journal of Artificial Intelligence Research. 1997. Vol. 7. P. 67--82.
12. Poskitt D.S., Tremayne A.R. The selection and use of linear and bilinear time series models // International Journal of Forecasting. 1986. Vol. 2, Issue 1. P. 101--114
13. Tong H. Non-linear Time Series: A Dynamical System Approach. Oxford University Press, 1990.
14. Tong H. Threshold models in Nonlinear Time Series Analysis. Springer Verlag, Berlin, 1983.
15. Tong H., Lim K. S. Threshold autoregression, limit cycles and cyclical data //. Journal of the Royal Statistical. Series B (Methodological). 1980. Vol. 42, Issue 3. P. 245--292.
16. Engle R. Autoregressive conditional heteroscedasticity with estimates of the variance of Unit-ed Kingdom // Econometrica. 1982. Vol. 50. Issue 4. P. 987--1007.
17. Clements M.P. et al. Forecasting economic and financial time-series with non-linear models // International Journal of Forecasting. 2004. Vol. 20.Issue 2. P. 169--183
18. Рябко Б.Я. Прогнозирование случайных поседовательностей и универсальное кодиро-вание. // Проблемы передачи информации. 1988. №24. C.3--14.
19. Krichevsky R. Universal Compression and Retrival. KluverAcademicPublishers, 1993.

Ключевые слова

прогнозирование, временные ряды, R-метод, деревья принятия решений, решающие деревья, ID3.

Скачать полный текст