для цієї кореляції, Моделі прогнозування, что опісують ці отношения, могут буті Дуже корисностей. У цьом випадка, знаючи Значення корелюючіх перемінніх, можна побудуваті модель прогнозом залежної перемінної. Серйозно обмеженності Використання причинно моделей є Вимога того, щоб незалежна перемінна булу відома Вчасно, коли робиться прогноз. Інше обмеження причинно методів - велика кількість обчислень и даніх, якіх звітність, порівнюваті. p align="justify"> На вибір відповідного методу прогнозування, вплівають наступні фактори:
Необхідна форма прогнозом;
обрій, Период и Інтервал прогнозування;
пріступність даніх;
Необхідна точність;
поводження прогнозованого процеса;
ВАРТІСТЬ розробки, установки и роботи Із системою;
простота роботи Із системою;
розуміння и співробітніцтво керуючих.
Для моделювання Тимчасових рядів небезпечних подій можливе Використання Наступний методів:
метод АРПСС;
штучні нейронні мережі;
методи сітуаційного моделювання;
комбіновані методи.
Метод авторегресії и ковзного Середньому (АРПСС). Загальна модель, запропонована Боксом и Дженкінсом (1976), має три типи параметрів моделі: параметри авторегресії (p), порядок різніці (d), параметри ковзного Середньому (q). У позначені Боксу и Дженкінса модель запісується як АРПСС (p, d, q). Наприклад, модель (0, 1, 2) містіть 0 (нуль) параметрів авторегресії (p) і 2 параметри ковзного Середньому (q), что обчислюють для ряду после узяття різніці з лагом 1. Для МОДЕЛІ АРПСС звітність,, щоб ряд БУВ стаціонарнім, це означає, что его середнє постійно, а вібіркові дісперсія ї автокореляція НЕ міняються в часі. Метод АРПСС Ефективний ЯКЩО вихідні дані перевіщують 50 СПОСТЕРЕЖЕННЯ и параметри МОДЕЛІ постійні, тоб НЕ міняються в часі. p align="justify"> Штучні нейроні мережі - являютя собою мережа ЕЛЕМЕНТІВ - штучних нейронів - зв'язаних между собою сіноптічнімі з'єднаннями. Мережа обробляє вхідну інформацію й у процесі Зміни свого стану в часі формує сукупність вихідних сігналів. Робота мережі Складається в перетворенні вхідніх сігналів у часі, у результаті чого міняється внутрішній стан мережі, и формуються вихідні впливи. p align="justify"> Достоїнствамі штучних нейронних мереж є:
адаптивна структура, что одержує інформацію, навчається и фіксує Корисні зв'язки в складній взаємодії вхідної и віхідної ІНФОРМАЦІЇ;
можлівість роботи Із сильно зашумлених Даними;
одночасне І ШВИДКО Виконання Чисельність ідентічніх и незалежних операцій.
Основу кожної нейронної мережі складають відносно Прості, у більшості віпадків - однотіпні, елєменти (н...
