Возможности параллелизма при идентификации квазилинейного рекуррентного уравнения

Бесплатный доступ

Анализ временных рядов и прогнозирование являются одной из широко исследуемых областей. Идентификация с помощью различных статистических методов, нейронных сетей или математических моделей уже давно используется в различных областях исследований от промышленности, до медицины, социальной сферы, аграрной среды. В статье рассматривается параллельный вариант алгоритма идентификации параметров квазилинейного рекуррентного уравнения для решения задачи регрессионного анализа с взаимозависимыми наблюдаемыми переменными, основанный на обобщенном методе наименьших модулей (GLDM). В отличие от нейронных сетей, широко используемых в настоящее время в различных системах прогнозирования, данный подход позволяет в явном виде получать качественные квазилинейные разностные уравнения, адекватно описывающие рассматриваемый процесс. Это позволяет повысить качество анализа изучаемых процессов. Существенным преимуществом модели, использующей обобщенный метод наименьших модулей, по сравнению с многочисленными нейросетевыми подходами является возможность интерпретации коэффициентов модели с точки зрения задачи исследования и использование полученного уравнения в качестве модели динамического процесса. Проведенные вычислительные эксперименты с использованием временных рядов показывают, что максимальное ускорение алгоритма происходит при использовании количества потоков, равного половине возможных потоков для данного устройства.

Еще

Параллелизм, квазилинейное рекуррентное уравнение, прогнозирование, моделирование, авторегрессионная модель

Короткий адрес: https://sciup.org/147242607

IDR: 147242607   |   DOI: 10.14529/cmse230404

Список литературы Возможности параллелизма при идентификации квазилинейного рекуррентного уравнения

  • Li Q., Wang J., Zhang H. A wind speed interval forecasting system based on constrained lower upper bound estimation and parallel feature selection // Knowl. Based Syst. 2021. Vol. 231. DOI: 10.1016/j.knosys.2021.107435.
  • Khashei M., Chahkoutahi F. A comprehensive low-risk and cost parallel hybrid method for electricity load forecasting // Comput. Ind. Eng. 2021. Vol. 155. DOI: 10.1016/j.cie.2021.107182.
  • Supuwiningsih N.N., Kadeksukerti N., Putra A., Dewanti P. Forecasting of Agricultural Production Results in South Denpasar Using Quadratic Trend Method Based GIS // International Journal of Engineering Technologies and Management Research. 2018. Vol. 5, no. 2. DOI: 10.5281/zenodo.1186523.
  • Hamdi F., Raby H., Hakim G., et al. A Generalized Mechanistic Model for Assessing and Forecasting the Spread of the COVID-19 Pandemic // IEEE Access. 2021. Vol. 9. P. 13266–13285. DOI: 10.1109/ACCESS.2021.3051929.
  • Dash S., Chakraborty C., Giri S.K., et al. BIFM: Big-Data Driven Intelligent Forecasting Model for COVID-19 // IEEE Access. 2021. Vol. 9. P. 97505–97517. DOI: 10.1109/ACCESS.2021.3094658.
  • Corpas-Burgos F., Martinez-Beneito M.A. An Autoregressive Disease Mapping Model for Spatio-Temporal Forecasting // Mathematics. 2021. Vol. 9, no. 4. Article 384. DOI: 10.3390/math9040384.
  • Panyukov A.V., Tyrsin A.N. Stable Parametric Identification of Vibratory Diagnostics Objects // Journal of Vibroengineering. 2008. Vol. 10, no. 2. P. 142–146. URL: http://elibrary.ru/item.asp?id=14876532.
  • Makarovskikh T., Abotaleb M. Comparison Between Two Systems for Forecasting Covid-19 Infected Cases // IFIP Advances in Information and Communication Technology. 2021. Vol. 616. P. 107–114. DOI: 10.1007/978-3-030-86582-5_10.
  • Sirotin D.V. Neural network approach to forecasting the cost of ferroalloy products // Izvestiya. Ferrous Metallurgy. 2020. Vol. 63, no. 1. P. 78–83. DOI: 10.17073/0368-0797-2020-1-78-83.
  • Yakubova D.M. Econometric models of development and forecasting of black metallurgy of Uzbekistan // Asian Journal of Multidimensional Research (AJMR). 2019. Vol. 8, no. 5. P. 310–314. DOI: 10.5958/2278-4853.2019.00205.2.
  • Neto A.B.S., Ferreira T.A.E., Batista M.C.M., Firmino P.R.A. Studying the Performance of Cognitive Models in Time Series Forecasting // Revista de Informatica Teorica e Aplicada. 2020. Vol. 27, no. 1. P. 83–91. DOI: 10.22456/2175-2745.96181.
  • Panchal R., Kumar B. Forecasting industrial electric power consumption using regression based predictive model // Recent Trends in Communication and Electronics. 2021. DOI: 10.1201/9781003193838-26.
  • Panyukov A.V., Mezaal Y.A. Improving of the Identification Algorithm for a Quasilinear Recurrence Equation // Advances in Optimization and Applications. Vol. 1340 / ed. By N. Olenev, Y. Evtushenko, M. Khachay, V. Malkova. Springer, 2020. P. 15–26. DOI: 10.1007/978-3-030-65739-0_2.
  • Makarovskikh T., Panyukov A., Abotaleb M. Generalized least deviation method for identification of quasi-linear autoregressive model. URL: https://github.com/tmakarovskikh/GLDMPredictor.git (дата обращения: 27.07.2022).
  • Pan J., Wang H., Qiwei Y. Weighted Least Absolute Deviations Estimation for ARMA Models with Infinite Variance // Econometric Theory. 2007. Vol. 23, no. 3. P. 852–879.
  • Panyukov A.V., Mezaal Y.A. Stable estimation of autoregressive model parameters with exogenous variables on the basis of the generalized least absolute deviation method // IFACPapersOnLine. 2018. Vol. 51, no. 11. P. 1666–1669. DOI: 10.1016/j.ifacol.2018.08.217.
  • Panyukov A.V. Scalability of Algorithms for Arithmetic Operations in Radix Notation // Reliable Computing. 2015. Vol. 19. P. 417–434. URL: http://interval.louisiana.edu/reliable-computing-journal/volume-19/reliable-computing-19-pp-417-434.pdf.
  • Abotaleb M.S.A., Makarovskikh T. Analysis of Neural Network and Statistical Models Used for Forecasting of a Disease Infection Cases // 2021 Int. Conf. on Information Technology and Nanotechnology (ITNT). 2021. P. 1–7. DOI: 10.1109/ITNT52450.2021.9649126.
Еще
Статья научная