Гибридный подход для краткосрочного прогнозирования временных рядов на основе штрафного P-сплайна и эволюционной оптимизации

Гибридный подход для краткосрочного прогнозирования временных рядов на основе штрафного P-сплайна и эволюционной оптимизации

Автор: Кочегурова Елена Алексеевна, Репина Елизавета Юрьевна, Цехан Ольга Борисовна

Журнал: Компьютерная оптика @computer-optics

Рубрика: Численные методы и анализ данных

Статья в выпуске: 5 т.44, 2020 года.

Бесплатный доступ

В работе предложена гибридная модель прогнозирования, включающая рекуррентную схему штрафного P -сплайна с адаптацией параметров на основе алгоритмов эволюционной оптимизации. В задачах краткосрочного прогнозирования, особенно в системах реального времени, актуальной является задача повышения скорости прогноза без ухудшения его качества. Высокая скорость прогнозирования в данном подходе достигается экономичной вычислительной схемой рекуррентного P -сплайна при малой глубине предыстории. А одновременная адаптация нескольких параметров P -сплайна позволяет управлять точностью прогноза.

Временной ряд, штрафной p-сплайн, гибридная модель прогнозирования, многоцелевая оптимизация, эволюционные алгоритмы

Короткий адрес: https://sciup.org/140250054

IDR: 140250054   |   DOI: 10.18287/2412-6179-CO-667

Список литературы Гибридный подход для краткосрочного прогнозирования временных рядов на основе штрафного P-сплайна и эволюционной оптимизации

  • Yin, Y. Forecasting traffic time series with multivariate predicting method / Y. Yin, P. Shang // Applied Mathematics and Computation. - 2016. - Vol. 291, Issue 1. - P. 266-278.
  • Агафонов, А.А. Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей / А.А. Агафонов, А.С. Юмаганов, В.В. Мясников // Компьютерная оптика. - 2018. - Т. 42, № 6. - C. 1101-1111. - DOI: 10.18287/2412-6179-2018-42-6-1101-1111
  • Sbrana, G. Short-term inflation forecasting: The M.E.T.A. approach / G. Sbrana, A. Silvestrini, F. Venditti // International Journal of Forecasting. - 2017. - Vol. 33. - P. 1065-1081.
  • Montgomery, D.C. Introduction to time series analysis and forecasting / D.C. Montgomery, C.L. Jennings, M. Kulahci. - Hoboken, New Jersey: John Wiley and Sons, Inc., 2015. - 443 p.
  • Wang, H. Time series feature learning with labeled and unlabeled data / H. Wang, Q. Zhangc, J. Wud, S. Panf, Y. Chene // Pattern Recognition. - 2019. - Vol. 89. - P. 55-66.
  • Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. - М.: Мир, 1974. - 406 с.
  • Астахова, Н.Н. Применение многоцелевой оптимизации для прогнозирования групп временных рядов / Н.Н. Астахова, Л.А. Демидова, Е.В. Никульчев // Кибернетика и программирование. - 2016. - № 5. - С. 175-190.
  • Parmezan, A. Metalearning for choosing feature selection algorithms in data mining: Proposal of a new framework / A. Parmezan, H. Lee, F. Wu // Expert Systems with Applications. - 2017. - Vol. 75. - P. 1-24.
  • Чучуева, И.А. Модель прогнозирования временных рядов по выборке максимального подобия: дис.. канд. техн. наук: 05.13.18 / Чучуева Ирина Александровна. - М., 2012. - 155 с.
  • Parmezan, A. Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model / A. Parmezan, V. Souza, G. Batistaa // Information Sciences. - 2019. - Vol. 484. - P. 302-337.
  • Запорожцев, И.Ф. Краткосрочное прогнозирование пространственно-временной изменчивости океанографических характеристик методами анализа многомерных временных рядов: дис.. канд. техн. наук: 05.13.18 / Запорожцев Иван Федорович. - Мурманск: 2016. - 183 с.
  • Демидова, Л.А. Классификация данных на основе SVM-алгоритма и алгоритма k-ближайших соседей / Л.А. Демидова, Ю.С. Соколова // Вестник Рязанского государственного радиотехнического университета. - 2017. - Т. 62. - С. 119-132.
  • Hajirahimi, Z. Hybrid structures in time series modeling and forecasting A review / Z. Hajirahimi, M. Khashei // Engineering Applications of Artificial Intelligence. - 2019. - Vol. 86. - P. 83-106.
  • Lu, C. Wavelet fuzzy neural networks for identification and predictive control of dynamic systems / C. Lu // IEEE Transactions on Industrial Electronics. - 2011. - Vol. 58, Issue 7. - P. 3046-3058.
  • Аверкин, А.Н. Гибридный подход для прогнозирования временных рядов на основании нейросети ANFIS и нечетких когнитивных карт / А.Н. Аверкин, С.А. Ярушев // Международная конференция по мягким вычислениям и измерениям. - 2017. - Т. 1. - С. 467-470.
  • Chen, M.-Y. A hybrid fuzzy time series model based on granular computing for stock price forecasting / M.-Y. Chen, B.-T. Chen // Information Sciences. - 2015. - Vol. 294. - P. 227-241.
  • Rafiei, M. Probabilistic forecasting of hourly electricity price by generalization of ELM for usage in improved wavelet neural network / M. Rafiei, T. Niknam, M.-H. Khooban // IEEE Transactions on Industrial Informatics. - 2017. - Vol. 13, Issue 1. - P. 71-79.
  • Zhang, M.L. A k-nearest neighbor based algorithm for multi-label classification / M.L. Zhang, Z.H. Zhou // Proceedings of the 1st IEEE International Conference on Granular Computing. - 2005. - P. 718-721.
  • Chernoff, K. Weighting of the k-nearest-neighbors / K. Chernoff, M. Nielsen // Proceedings of the 20th IEEE International Conference on Pattern Recognition (ICPR). - 2010. - P. 666-669.
  • Liu, H. Noisy data elimination using mutual k-nearest neighbor for classification mining / H. Liu, S. Zhang // Journal of Systems and Software. - 2012. - Vol. 85, Issue 5. - P. 1067-1074.
  • de Boor, C. A practical guide to splines / C.A. de Boor. - New York: Springer-Verlag, 2001. - 348 p.
  • Sharif, S. Comparison of significant approaches of penalized spline regression (P-splines) / S. Sharif, S. Kamal // Pakistan Journal of Statistics and Operation Research. - 2018. - Vol. 14, Issue 2. - P. 289-303.
  • Budakçı, G. Extending fundamental formulas from classical B-splines to quantum B-splines / G. Budakçı, Ç. Dişibüyük, R. Goldman, H. Oruç // Journal of Computational and Applied Mathematics. - 2015. - Vol. 282. - P. 17-33.
  • Eilers, P. Twenty years of P-splines / P. Eilers, B. Marx, M. Durbán // Statistics and Operations Research Transactions. - 2015. - Vol. 39, Issue 2. - P. 149-186.
  • Yang, L. Adaptive penalized splines for data smoothing / L. Yang, Y. Hong // Computational Statistics and Data Analysis. - 2017. - Vol. 108. - P. 70-83.
  • Kochegurova, E.A. Current estimation of the derivative of a non-stationary process based on a recurrent smoothing spline / E.A. Kochegurova, E.S. Gorokhova // Optoelectronics, Instrumentation and Data Processing. - 2016. - Vol. 52, Issue 3. - P. 280-285.
  • Kochegurova, E.A. Frequency analysis of recurrence variational P-splines / E.A. Kochegurova, A.I. Kochegurov, N.E. Rozhkova // Optoelectronics, Instrumentation and Data Processing. - 2017. - Vol. 53, Issue 6. - P. 591-598.
  • Martín, A. EvoDeep: a new evolutionary approach for automatic Deep Neural Networks parametrization / A. Martín, R. Lara-Cabrera, F. Fuentes-Hurtado, V. Naranjo, D. Camacho // Journal of Parallel and Distributed Computing. - 2018. - Vol. 117. - P. 180-191.
  • Zhang, K.Q. Research on a combined model based on linear and nonlinear features - A case study of wind speed forecasting / K.Q. Zhang, Z.X. Qu, Y.X. Dong, H.Y. Lu, W.N. Leng, J.Z. Wang, W.Y. Zhang // Renewable Energy. - 2019. - Vol. 130. - P. 814-830.
  • Пантелеев, А.В. Методы глобальной оптимизации. Метаэвристические стратегии и алгоритмы / А.В. Пантелеев, Д.В. Метлицкая, Е.А. Алешина. - М.: Вузовская книга, 2013. - 244 с.
  • Гельфанд, И.М. Принцип нелокального поиска в задачах автоматической оптимизации / И.М. Гельфанд, М.Л. Цетлин // ДАН СССР. - 1961. - Т. 137, № 2. - С. 295-298.
  • Коварцев, А.Н. К вопросу об эффективности параллельных алгоритмов глобальной оптимизации функций многих переменных / А.Н. Коварцев, Д.А. Попова-Коварцева // Компьютерная оптика. - 2011. - Т. 35, № 2. - С. 256-261.
  • Bergstra, J. Algorithms for hyper-parameter optimization / J. Bergstra, R. Bardenet, Y. Bengio, B. Kégl // Proceedings of the 25th Annual Conference on Neural Information Processing Systems (NIPS). - 2011. - P. 1-9.
  • Меняйлов, Е.С. Обзор и анализ существующих модификаций генетических алгоритмов // Открытые информационные и компьютерные интегрированные технологии. - 2015. - № 70. - С. 244-254.
  • Kochegurova, E.A. Some results of designing an IIR smoothing filter with p-splines / E.A. Kochegurova, I.Y. Khozhaev, S.V. Rybushkina // International Review of Automatic Control. - 2019. - Vol. 12, Issue 4. - P. 200-209.
  • Shcherbakov, M.V. A survey of forecast error measures / M.V. Shcherbakov, A. Brebels, N.L. Shcherbakova, A.P. Tyukov, T.A. Janovsky, V.A. Kamaev // World Applied Sciences Journal. - 2013. - Vol. 24, Issue 24. - P. 171-176.
  • Parmezan, A. ICMC-USP time series prediction repository [Electronical Resource] / A. Parmezan, G. Batista. - 2014. - URL: http://sites.labic.icmc.usp.br/aparmezan/publications/pdf/Repository_Parmezan_USP_2014_TSPR.pdf (request date 06.02.2020).
  • Babu, C. A moving-average filter based hybrid ARIMA-ANN model for forecasting time series data / C. Babu, B. Reddy // Applied Soft Computing. - 2014. - Vol. 23. - P. 27-38.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp