i>
Модель Холта-Вінтера в практиці прогнозування сезонних тимчасових рядів зустрічається найчастіше. Її прогностична точність не поступається точності інших ще більш складних моделей поведінки сезонно змінюються часових рядів (среднеабсолютная процентна помилка з цієї моделі в більшості випадків менше 50%). Сезонно-декомпозиційний модель Холта-Вінтера заснована на застосуванні методу експоненціального зваженого середнього. Оцінка стаціонарно-лінійного та сезонного фактора для неї проводиться таким чином.
а) Оцінка стаціонарного фактора (тобто оцінка среднеежемесячного значення незалежно від пори року). Рівняння оцінки стаціонарного фактора:
В В
б) Оцінка лінійного росту обчислюється на основі моделі зростання Холта:
В
в) Оцінка сезонного фактора (адаптація коефіцієнта сезонності). Коефіцієнт сезонності представляє собою відношення значення поточного спостереження до среднестаціонарному значенням, тобто цей коефіцієнт в момент часу t дорівнює. Визначення експоненціального зваженого середнього поточного значення коефіцієнта сезонності:
В В
г) Прогноз . При ізольованою оцінкою трьох факторів, що визначають рух процесу, прогноз на П„ моментів часу вперед будується з трьох елементів: підсумовується оцінка лінійного росту і оцінка стаціонарного фактора, і результат з урахуванням сезонності домножается на відповідне значення коефіцієнта сезонності:
В
Алгоритм обчислення прогнозу методом Холта-Вінтера представлений на малюнку 5.
В В
Рис.5 Блок-схема моделі Холта-Вінтера
4. Самоорганізуючийся алгоритм прогнозування
Процес побудови самоорганізованого алгоритму (САП) складається з декількох кроків. p> Крок 1. Формування первісного безлічі простих алгоритмів прогнозування.
На цьому кроці формується безліч простих алгоритмів, які будуть використовуватися при конструюванні самоорганізованого алгоритму. Під визначенням В«простий алгоритмВ» ми в Надалі будемо розуміти відомі алгоритми (методи, мат. моделі) прогнозування. У початкове безліч можна включити прості, але в теж час, науково обгрунтовані статистичні методи прогнозування.
Крок 2. Вибір критерію відбору кращого алгоритму для формування прогнозу.
В якості критерію відбору можна вибрати відносну або абсолютну помилку прогнозування, розраховується в кожній точці або деяку агреговану помилку за попередній період.
Крок 3. Стадія навчання САП.
Проводиться прогнозування на даний момент (або попередні моменти) часу, де відомо (або відомі) фактичні значення спостережуваного показника по алгоритмам з безлічі, сформованого на кроці 1.
Крок 4. Оцінювання якості прогнозу.
Оцінювання якості прогнозу проводиться з використанням критерію, обраного на кроці 2. Алгоритм, що показує мінімальне значення критерію (помилки прогнозування), будемо вважати кращим.
Крок 5. Прогнозування на майбутній момент часу з використанням САП.
Прогнозне значення спостережуваного показника на наступний момент буде визначатися за допомогою алгоритму, відібраного на кроці 4.
Таким чином, при визначенні майбутнього значення спостережуваного показника, САП повинен перемикатися на той алгоритм, який показав найменше значення критерію оцінки якості прогнозування на поточний період.
5. Алгоритм відбору комбінації кращих алгоритмів прогнозування за період
Крок 1. Вибір критерію відбору
В якості критерію відбору можна вибрати відносну або абсолютну помилку прогнозування, розраховується в кожній точці або деяку агреговану помилку за попередній період.
Крок 2. Підбір комбінацій алгоритмів
На цьому кроці формується комбінація декількох (2 і більше) алгоритмів прогнозування з безлічі простих алгоритмів, використовуваних системою.
Крок 3. Прогнозування та оцінювання якості прогнозу
За допомогою самоорганізованого алгоритму проводиться прогнозування за обраний період поточної комбінацією методів. Оцінювання якості прогнозу проводиться з використанням критерію, обраного на кроці 1. p> Крок 4. Визначення кращої комбінації алгоритмів
На основі отриманих значень критерію, вибирається комбінація алгоритмів, що показала мінімальне значення критерію (помилки прогнозування).
Опис структури даних. Опис алгоритмів обробки даних
Логічн ська модель даних
Структура бази даних розроблена так, щоб можна було накопичувати статистичні дані спостережуваного показника, а також зберігати інформацію про користувачів даної системи, яку можна представити наступним чином:
В
Фізична модель даних
Фізично базу даних, яка використовується в даної випускної роботі, можн...
