КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Полиномиальные адаптивные модели
Если тенденция исследуемого процесса близка к линейной, то для анализа и прогнозирования такого процесса используются модели линейного роста. Прогнозные оценки по таким моделям на τ шагов вперед получают по уравнению: , где - текущие оценки коэффициентов адаптивного полинома первого порядка, подлежащие определению. В двухпараметрической модели Хольта оценка коэффициентов производится следующим образом: ; , (5.4) - параметры экспоненциального сглаживания, называемые также параметрами адаптации, для которых должно выполняться условие . Обозначим через ошибку прогноза, т.е. отклонение прогнозный оценки, полученной в момент (t-1), на один шаг вперед (τ=1) от фактического уровня ряда. Тогда уравнения (5.4) можно переписать в следующем виде: ; . Напомним, что через обозначается прогноз, сделанный в момент t на τ шагов вперед, т.е. в данном случае через обозначен прогноз, произведенный в момент (t-1) на один шаг вперед. Частным случаем модели Хольта является модель линейного ряда Брауна: ; , Здесь β – параметр дисконтирования (0<β<1), характеризующий уменьшение веса данных наблюдения за единицу времени. Введение дополнительного члена в модель, учитывающего разность ошибок прогнозирования, не привело к ее значительному улучшению, и она не получила широкого распространения. Понятие экспоненциальной средней можно обобщить на случай экспоненциальных средних более высоких порядков. Выравнивание р -го порядка по формуле , является простым экспоненциальным сглаживанием, примененным к результатам сглаживания (р-1) -го порядка. В общем случае принимается гипотеза, что исследуемый процесс, состоящий из детерминированной и случайной компоненты, может быть описан полиномом q -го порядка, а прогноз на τ шагов вперед осуществляется по формуле , где - параметры, подлежащие определению. В фундаментальной теореме метода экспоненциального сглаживания утверждается, что (q+1) неизвестных коэффициентов полинома q -го порядка могут быть оценены с помощью линейных комбинаций (q+1) значений , . Следовательно, задача в данном случае сводится к вычислению значений функций сглаживания и через их линейные комбинации – к определению коэффициентов полинома. В практических расчетах обычно используются полиномы не выше второго порядка. В таблице 5.1. приведены соответствующие формулы расчета по этим моделям. Таблица 5.1. Рекуррентные формулы для расчета параметров адаптивных полиномиальных моделей
Процедура построения прогнозной модели методом экспоненциального сглаживания сравнительна проста. Определив одним из возможных способов параметр сглаживания α и начальные условия по соответствующим формулам, приведенным в таблице 5.1., рассчитывают экспоненциальные средние , коэффициенты модели и прогноз на τ шагов вперед. Ошибки прогнозов, вычисленные на каждом шаге процедуры, накапливаются для дальнейшей оценки точности прогноза. Окончательная прогнозная модель формируется на последнем шаге вычислений при t=n по последним значениям коэффициентов. Подставляя в нее заданное время упреждения прогноза τ, получают результат прогнозирования. При поступлении новой информации, приняв в качестве начальных условий последние значения функции сглаживания можно продолжать дальнейшее сглаживание. Необходимые для расчета начальные условия в случае отсутствия априорной информации о характере исследуемого процесса могут быть получены путем оценивания параметров кривой роста , построенной по нескольким первым точкам ряда. Использование же в качестве начальных условий только первого уровня ряда нежелательно ввиду возможной его вариации, которая при малом объеме выборке может значительно исказить прогнозные расчеты. Одним из наиболее сложных моментов использования метода экспоненциального сглаживания является выбор величины параметра сглаживания α. С одной стороны, повышение скорости реакции модели на резкое изменение процесса, увеличение веса более «свежих» наблюдений может быть достигнуто при выборе больших значений α. С другой стороны, стремление лучше сгладить случайные отклонений и обеспечить устойчивость модели к кратковременным разовым изменениям процесса диктует необходимость уменьшений α. Автор метода экспоненциального сглаживания Р. Браун предложил следующую формулу расчета α: , где m – число уровней, входящих в интервал сглаживания. В качестве удовлетворительного практического компромисса он рекомендовал брать α в пределах от 0,01 до 0,3. Однако ряд исследований показал, что наилучшим параметром сглаживания может быть α>0,3. Следует отметить, что близость величины параметра сглаживания к единице является симптомом неправильного выбора структуры модели, хотя при краткосрочном прогнозировании выбор больших значений α, позволяющих учитывать ценность более «свежих» данных, вполне оправдана. Поэтому величину m, как и непосредственно параметр α, лучше определять эмпирическим путем. Поиск оптимальных значений параметра сглаживания для адаптивных полиномиальных моделей может также осуществляться путем перебора его различных значений. В этом случае в качестве оптимального выбирается то значение α, при котором получена наименьшая дисперсия ошибки, вычисленная либо относительно всех сглаженных уровней динамического ряда, либо не использованных в расчетах уровней, специально оставленных для проверки качества прогнозных моделей. Порядок адаптивной полиномиальной модели обычно определяется на основе визуального анализа графика процесса, качественного анализа, с помощью метода изменения разностей, а также сравнения статистических характеристик моделей на участке обучения и ретроспективного прогноза. Пример. Построить адаптивную модель Хольта по имеющимся данным об объеме привлеченных средств (депозитах) в коммерческом банке.
Параметры сглаживания возьмем равные . 1. Начальные значения параметров при t=0 оценим по пяти первым точкам временного ряда с помощью метода наименьших квадратов. Расчеты удобно выполнить с помощью мастер-диаграмм ППП Excel. Для нахождения коэффициентов добавим линию тренда на графике временного ряда. Результаты линейной аппроксимации приведены на рис. 5.2. Рис.5.2. Оценка линии регрессии методом наименьших квадратов по пяти начальным точкам
Уравнение тренда имеет вид , откуда начальные значения параметров модели, соответствующие моменту времени t=0: . 2. Используя начальные оценки параметров , соответствующие параметру времени t=0, находим оценки коэффициентов на момент времени t=1: ; ; , . 3. Находим значение для момента времени t= 1 по формуле: 2. Корректируем параметры для момента времени t=2: 3. ; ; , . 6. Находим значение для момента времени t=2 по формуле: 7. Далее возвращаемся к пункту 5 и повторяем вычисления до конца наблюдений. Результаты расчетов приведены в таблице 5.2. Таблица 5.2 Результаты расчета прогнозной модели Хольта при
На последнем шаге получили следующую прогнозную модель: Точечный прогноз на шаг Точечный прогноз на шаг Точечный прогноз на шаг На рисунке 5.3 представлены графики исходного ряда, смоделированного ряда и точечный прогноз на три шага. Рис. 5.3 Исходный ряд, смоделированный ряд и точечный прогноз
Дата добавления: 2014-10-22; Просмотров: 1370; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |