Hybrid mathematical models and methods for forecasting related nonstationary time series

Abstract

В роботі запропоновано математичні моделі прогнозування взаємопов'язаних нестаціонарних часових рядів і методи їх структурної ідентифікації, засновані на спільному використанні багатовимірного варіанта методу «Гусениця»-SSA та моделей VARMAX і SARIMAX. Експериментальні результати показують високу ефективність запропонованих моделей прогнозування при виборі відповідних структурних параметрів у порівнянні з моделями VARMAX Ключові слова: прогнозування, структурна ідентифікація, декомпозиційна модель, метод Бокса-Дженкінса, метод «Гусениця»-SSA В работе предложены математические модели прогнозирования взаимосвязанных нестационарных временных рядов и методы их структурной идентификации, основанные на совместном использовании многомерного варианта метода «Гусеница»-SSA и моделей VARMAX и SARIMAX. Экспериментальные результаты показывают высокую эффективность предложенных моделей прогнозирования при выборе подходящих структурных параметров в сравнении с моделями VARMAX Ключевые слова: прогнозирование, структурная идентификация, декомпозиционная модель, метод Бокса-Дженкинса, метод «Гусеница»-SSA

A systematic approach to the synthesis of forecasting mathematical models for interrelated non-stationary time series

“…Не менее популярными среди гибридных математических моделей являются модели на основе метода «Гусеница»-SSA и моделей сезонной авторегрессии -проинтегрированного скользящего среднего (SARIMA). Использование компонент разложения метода «Гусеница»-SSA является достаточно эффективным способом порождения переменных [8][9][10].…”

“…Гибридные модели, предложенные в [8][9][10] включают в себя большое количество лаговых переменных. Это приводило к значительным временным затратам на обучение модели.…”

“…Множества переменных моделей, приведенных в [8][9][10] бывает недостаточно для построения модели удовлетворительного качества. В этом случае требуется расширить множество переменных с помощью Математика и кибернетика -прикладные аспекты преобразований исходных переменных с целью уменьшения недоопределённости линейной модели.…”

“…Сравнительный Протестируем модель «Гусеница»-SSA -МГУА -SARIMA на тех же данных. В качестве ЧО выберем (10). Параметры метода «Гусеница»-SSA оставляем теми же.…”