Применение метода F-преобразования для прогноза компоненты векторного тренда и числового представления временного ряда

Бесплатный доступ

В работе описывается метод прогнозирования компоненты векторного тренда, описывается алгоритм применения F-преобразования к временному ряду, нахождения остатков, обратного F-преобразования, восстановление временного ряда по спрогнозированному тренду, производится анализ работы метода.

F-преобразование, прогноз компоненты векторного тренда, временной ряд

Короткий адрес: https://sciup.org/148199417

IDR: 148199417

Текст научной статьи Применение метода F-преобразования для прогноза компоненты векторного тренда и числового представления временного ряда

Нечеткое сглаживание временных рядов на основе нечеткого преобразования ( F- преобразования) — методика, разработанная И. Перфильевой [1], которая может быть отнесена к методикам нечеткого приближения. Нечеткое преобразование ( F -преобразование) представлено для непрерывных функций и функций на ограниченном наборе точек.

Предположим, что функция f известна в точках p 1 ,...,p N е w . Мы делим интервал w на множество равноудаленных узлов– x k = u L +h(k - 1 ),k = 1,... ,n ,

F k+1 = aF k + eF k р

R k+1 = aR k + eR k p

Y' = F k+p + R k+p

Для конкретной реализации F- преобразования был выбран следующий вид базисных функций:

, / x x xk,

A, (x) =------k-^-,еслис, , < x < x, k X /                                     k 1                k xk - xk -1

,   uR - uL где N > n,h      — фиксированной длины. F- n — 1

преобразование имеет две фазы.

Прямое F -преобразование. Определим n базисных функций A 1 ,...,A n , которые покрывают w и разделим его на n неясных областей. Базисная функция должна удовлетворять следующим условиям (к = 1,... ,n) :

  • 1.    A k : w ^ [0,1],A k (X k ) = 1 ,

  • 2.    A k (x) = 0 if x t (x k 1 ,x k+1 ) , где мы формально полагаем x 0 = x 1 = u L , x n+ 1 = x n = u R ,

  • 3.    A k (x) непрерывна,

  • 4.    A k (x) монотонно возрастает на [ x k 1 ,x k ] и монотонно убывает на [x k , x k+ 1 ] ,

  • 5.    S A k (x) = 1 для всех x е w

Используя базисные функции, мы преобразуем данную функцию f в кортеж из n действительных чисел [ F 1 ,...,F n ] , определенных

X fP 2 A k (P z 2 S Ap)

k = 1

. ,n

Построение модели ВР для генерации числовых оценок прогноза F, R и у по формуле линейной комбинации:

, ( X     x i-+1 x             .

A , ( x ) = —k-1-----, еслиx, x x,+1

k                                 k            k + 1

x k+ 1 - x k

A k ( x ) = 0, в противном случае

Далее строится матрица нечеткого разбиения и производится F -преобразование. F -компоненты представляют собой тренд временного ряда.

Вычисляются остатки — разность между трендом и исходным временным рядом:

  • r. = Л- Ft.

Прогноз F ( n+ 1 ) -ой компоненты реализован несколькими методами:

  • - на основании системы двух линейных уравнений

F k 1 = aF k 2 + eF k з +Y F k - 4      (2)

Найдя a , в, Y

F k+1 = aF k + eF k 1 +Y F k-2 .

– использованием нейронной сети

Для обучения сети и прогнозирования строилась регрессия: F k+ 1 = aF k + eF k 1 +Y F k2. .

Для получения числового прогноза временного ряда необходимо сложить обратное F -преобразование с остатками. Остатки для прогноза получаются при помощи системы линейных уравнений, аналогичной (2).

Для оценки качества прогноза вычисляется критерий MAPE :

Романов Антон Алексеевич, аспирант.

1 n

MAPE = n2^

у

*100%

Также приводится оценка по критерию SMAPE:

n

SMAPE = - У n t= 1

A

( Y + Y )/2

*100%

При его минимальном значении в автоматическом режиме делается вывод об оптимальных сочетаниях параметров. С данным сервисом был произведено порядка 40 экспериментов на ВР различного характера: стационарных, нестационарных, реальных, модельных. Полученные результаты (табл. 1) показали, что прогноз тренда имеет более выраженное направление, если шаг базисной функции имеет относительно большую величину (случай, когда весь временной ряд разбивается на 5-10 компонент) (рис.1, 2).

В первом случае MAPE тренда (внешняя) = 35%, во втором случае MAPE тренда (внешняя) = 12,9%. При использовании большого шага базисной функции мы хотя и добиваемся более сглаженного тренда, но одновременно и устраняем негативные всплески ВР, акцентируя тренд на наиболее общую тенденцию.

Однако при увеличении шага базисной функции ухудшаются показатели качества прогноза остатков. Их оптимальные показатели при шаге базисной функции равной 5-9 единиц.

Производится прогнозирование одной компоненты тренда, начиная с наименьшего количества точек, которые можно подать на вход программы. В эксперименте принимали участие ряды, хранящиеся в БД. Искусственные ряды также присутствовали в эксперименте.

Целью данного эксперимента является выявление ограничений, накладываемых на использование метода F -преобразований.

Для начала рассмотрим искусственный ВР, длиной 150 точек (2-12) (рис. 3)

Покажем зависимость точности прогноза от количества точек ВР, участвующих в обучении (рис. 4)

Таблица 1. Сводные данные по оценкам прогноза тренда ВР

ВР (код)

Длина ВР

Шаг базисной функци и

Метод

Тренд

Mape (внеш)

Smape(внеш)

2-6

40

11

НС

4,95

5

2-8

43

13

НС

9,68

9,84

2-9

42

7

СЛУ

2,3

2,3

2-10

90

11

СЛУ

5,99

5,82

2-11

57

9

НС

65,67

49,44

2-12

150

5

СЛУ

0,85

0,84

2-13

25

11

СЛУ

2,04

2,02

3-15

13

5

НС

94,99

180,94

3-16

13

5

НС

1.69

1.68

3-17

13

5

СЛУ

81,27

57,78

3-24

12

5

НС

19.72

21.88

3-25

12

5

НС

84.09

145.09

Рис. 1. Тренд построен при малом шаге базисной функции

Рис. 2. Тренд построен при большом шаге базисной функции

Рис. 3. ВР и построенный на нем тренд

Рис. 4. Зависимость % ошибок от длины тренда

На рисунке показаны критерии оценки: MAPE (внешняя) тренда и SMAPE (внешняя) тренда. По рисунку можно выделить область, когда ошибка стабилизируется. Это наступает после 26 точек ВР, используемых для обучения. Данный случай

- когда в прогнозе проявляется линейность тренда, участвующего в обучении. На графиках ошибок также (за редким исключением) проявляется линейная зависимость: чем больше длина ВР для обучения — тем точнее прогноз.

ВР Тренд

Рис. 5. ВР и построенный на нем тренд

Рис. 6. Зависимость % ошибок от длины тренда

Теперь рассмотрим реальный ВР, длиной 43 точки (2-8) (рис. 5).

И также построим зависимость показателей качества прогноза от длины ВР (рис. 6)

На данном графике также видна тенденция, когда показатели качества входят в допустимую зону в районе 21-26 точек ВР. Как показано в сводной таблице на данном ВР достигнутая точ- ность MAPE (внешняя) тренда ? 10% (на максимально возможном количестве точек данного ряда).

Рассмотрим ряд с выраженным трендом, но имеющим нестационарности (реальный ВР) длиной 42 точки (2-9) (рис. 7, 8)

Видно, что ошибка практически не изменятся от длины ряда (за счет выраженного тренда)

Рис. 7. ВР и построенный на нем тренд

Рис. 8. Зависимость % ошибок от длины тренда

Рис. 9. ВР и построенный на нем тренд

Рис. 10. Зависимость % ошибок от длины тренда

и имеет небольшую величину (до 10%) - линейность тренда. Только при переходе через излом тренда ошибка немного повышается — за счет того, что разность прогноза при обучении и реальной величины тренда имеет большую величину, чем на всем остальном ВР.

Ряд, без выраженного тренда длиной 57 точек (2-11) (рис. 9. 10):

Ошибка на таком ВР очень высока, и не зависит от длины ряда, участвующего в обучении. В такой ситуации снизить ошибку можно за счет сглаживания тренда — увеличения шага базисной функции. Но, полагаю, что такой шаг не име- ет практической ценности, поскольку происходит вырождение тренда в прямую и теряется суть прогноза тренда — выявления тенденции.

Проведенные эксперименты показали, что данный метод достаточно хорошо работает (% ошибок укладывается допустимый интервал < 20%) на рядах с выраженным трендом и лишенных случайных перепадов значений. Заданная точность достигается уже при длине ВР более 25-30 точек. Вследствие этого необходимо дополнить использование данного метода способом определения характера ВР для предварительного анализа и принятия решения о целесообразности прогноза.

Исследование выполнено при поддержке

Список литературы Применение метода F-преобразования для прогноза компоненты векторного тренда и числового представления временного ряда

  • Перфильева И. Нечеткое преобразование: применительно к проблеме роста рифов. В кн: Демикко Р. Клир GJ и др. редакторы. Нечеткая логика в геологии. Амстердам: Академическая пресса: 2003, 275-300.
  • Ярушкина Н.Г. Основы теории нечетких и гибридных систем. Финансы и статистика, 2004. 320 с.
Статья научная