Понятие об адаптивных принципах настройки моделей алгоритмического сглаживания

Практически все рассмотренные нами ранее алгоритмы сглаживания временных рядов, а также процедуры генерации прогнозной информации на базе этих методов, с той или иной степенью успешности реализуют принцип актуализации моделей прогнозирования. Поэтому модели алгоритмического сглаживания порядков выше нулевого и с наличием подстройки параметров модели часто именуют адаптивными моделями, а прогнозы построенными на их базе – адаптивными прогнозами. Модели данного вида отличаются от всех остальных тем, что они отражают текущие свойства ряда и способны непрерывно учитывать эволюцию изучаемого процесса, выражаемую посредством динамики временного ряда. Цель адаптивных методов заключается в построении самонастраивающихся (корректирующихся) экономико-математических моделей, которые отражают меняющиеся во времени условия функционирования, учитывают неодинаковую ценность различных членов временного ряда для настоящего момента времени.

В связи с принципами формальной организации процедур подстройки параметров моделей, способы адаптации условно можно разделить на алгоритмические и эвристические. Наибольшего качества в своем развитии адаптационные механизмы находят в нейросетевых, генетических и гибридных технологиях моделирования и прогнозирования.

Последовательность процедуры адаптации моделей может быть представлена следующим образом.

1. Генерация параметров исходной прогнозирующей модели, исходя из наличия ретроспективной информации.

2. Генерация прогноза на прогнозирующей модели.

3. Проверка точности прогноза (по факту события либо на тесовом множестве).

4. Подстройка параметров прогнозирующей модели с помощью компенсирующего воздействия.

Наиболее распространенными алгоритмическими способами адаптивного прогнозирования являются [36, 63, 68, 75, 76, 80, 83]:

- метод экспоненциального сглаживания (модель Брауна);

- метод Хольта-Уинтерса (Хольта);

- адаптивная модель сезонности Тейла-Вейджа и др.

Эффективность практического применения адаптивных прогнозов связана с решением проблемы повышения адаптивных свойств оцениваемых моделей, т.е. ускорением реакции прогнозирующей системы на внезапные изменения значений изучаемого временного ряда. При этом изначально “логика” механизма адаптации задаётся априорно, а затем эмпирически проверяется.

Быстрота реакции полученной искусственной системы характеризуется параметрами адаптации, например, в рамках модели Брауна это осуществляется путем эффективной подстройки параметра . Процесс “обучения” модели состоит выборе наилучшего параметра адаптации на основе серии проб в пределах имеющегося ретроспективного материала (обучающей и тестирующей выборок). Скорректированная таким образом модель является более гибкой в сравнении с исходной, однако не является универсальным инструментом прогнозирования.

Критериями прогностической полезности адаптивной модели обычно являются стандартные критерии оценки качества прогноза, например, среднеквадратичная ошибка прогноза .

В общем случае, говоря о повышении адаптационных свойств модели, имеется в виду способность модели:

- своевременно выявить момент наступления изменений тенденции во временных рядах;

- быстро надлежащим образом модифицировать параметры модели.

Таким образом, решение этих проблем в первую очередь связано с обоснованным выбором критериев качества прогноза. Требования к подобного рода индикаторам следующие: обладание достаточной чувствительностью к устойчивым изменениям тенденций и минимальная реакция на случайные колебания в динамике рядов. В теории адаптивного прогнозирования эти индикаторы носят специальное название - следящих сигналов или трекинг-сигналов. Хронологически наиболее известными и часто используемыми настроечными трекинг-сигналами являются индикаторы Браун и Тригга, а также производные от них [36, 83]. Поясним принципы их конструирования.

Поиск по сайту: