Комментарии 15
А как ведет себя алгоритм на случайных временных рядах?
Еще на сколько мне известно, то для анализа способности прогнозировать временной ряд, используется временной ряд Лоренца, часто применяемый в задачах прогноза для исследования свойств алгоритма прогнозирования. Проводились ли испытания с данный временным рядом?
Еще на сколько мне известно, то для анализа способности прогнозировать временной ряд, используется временной ряд Лоренца, часто применяемый в задачах прогноза для исследования свойств алгоритма прогнозирования. Проводились ли испытания с данный временным рядом?
Собственно для анализа хаотических временных рядов этот алгоритм и предлагается.
На данный момент алгоритм ведет себя нестабильно(результат прогнозирования то очень точный, то совершенно неправильный), но судя по всему, это вопрос правильного подбора параметров. Сейчас мы над этим работаем.
На данный момент алгоритм ведет себя нестабильно(результат прогнозирования то очень точный, то совершенно неправильный), но судя по всему, это вопрос правильного подбора параметров. Сейчас мы над этим работаем.
Одной из основных характеристик хаотического процесса – это невозможность долгосрочного прогнозирования рядов. На сколько точек вы предсказываете поведения ряда?
Прогноз строится в виде графика. Точности пытаемся добиться в диапазоне 10-50 шагов. Дальше идет накопление ошибки, что естественно.
По определению хаотическим может быть назван только тот процесс, у которого последующее значение ВООБЩЕ не связано с предыдущим. А тут каким-то магическим образом оказывается возможным прогнозирование аж на 50 шагов?!?!
Че-то вы напутали… Либо не хаотический, а как минимум псевдослучайный (и то сомневаюсь), либо не прогнозирование, а аппроксимация (по типу МНК или плавающего среднего).
Что-то здесь не то.
Че-то вы напутали… Либо не хаотический, а как минимум псевдослучайный (и то сомневаюсь), либо не прогнозирование, а аппроксимация (по типу МНК или плавающего среднего).
Что-то здесь не то.
Хаотический процесс, это как раз тот процесс, у которого связь между i+1 и i-м шагом проявляется, только такие связи накладываются друг на друга из-за чувствительности к начальным условиям(аттрактор Лоренца и т.п. — не поленитесь почитать топик «Теория хаоса» в википедии)
Хаотические данные не стоит путать со случайными. Как раз в случайных данных никакой зависимости между значениями нету.
Хаотические модели — фрактальны. Случайные же — обладают только определённым набором характеристик(согласно своему предполагаемому распределению)
Как отличить хаотические данные от случайных? Об этом, кому интересно, можно почитать у Бенуа Мандельброта — "(не)послушные рынки"
Хаотические данные не стоит путать со случайными. Как раз в случайных данных никакой зависимости между значениями нету.
Хаотические модели — фрактальны. Случайные же — обладают только определённым набором характеристик(согласно своему предполагаемому распределению)
Как отличить хаотические данные от случайных? Об этом, кому интересно, можно почитать у Бенуа Мандельброта — "(не)послушные рынки"
Представить временной ряд в виде мультиграфа где из каждой точки временного ряда можно перейти в каждую набором определенных приростов.
Что это значит? Можно было нарисовать во что превращается временной ряд. Лично я вообще не понял сути метода… Превращаем как-то ряд в граф, а потом скачем туда-сюда с помощью «приростов»? Т.е. в зависимости от чего-то выбираем нужный узел в графе?
Согласен с предыдущем оратором, непонятна суть метода, как именно временной ряд представляется в виде графа? И еще хотелось бы узнать больше подробностей про преимущества и недостатки алгоритма. На каких данных он хорош, на каких не очень.
Я ничего не понял из этого описания, но когда я делал делал имитацию муравьёв на графе, то у меня у каждой мурашки был параметр «вонючесть», который падал на какой-то коэффициент (не помню, что-то типа 0.9) каждый ход. Та вонючесть, которая забиралась у муравья, уходила в «вонючесть ребра», которая так же выветривалась со временем.
Действительно очень нерациональный метод. Какие-нибудь нейронные сети и то быстрее работать будут, мне кажется.
согласен с тремя предыдущими ораторами.
суть метода непонятна. добавьте в пост слайды.
чему именно соответствуют вершины графа?
точкам в пространстве значений ряда?
суть метода непонятна. добавьте в пост слайды.
чему именно соответствуют вершины графа?
точкам в пространстве значений ряда?
Присоединяюсь к коллегам — принцип решения поставленный задачи муравьиным алгоритмом ускользнул и от меня.
Пока суд да дело, поделюсь интересной информацией насчет пометкой муравьями пути феромоном.
antclub.ru/lib/reznikova-zh-i/analiz-yazyka-muravev-metodami-teorii-informatsii
Согласно работе, информация о маршруте передается от муравья к муравью неким языком, а не пометкой следа феромонами.
Пока суд да дело, поделюсь интересной информацией насчет пометкой муравьями пути феромоном.
antclub.ru/lib/reznikova-zh-i/analiz-yazyka-muravev-metodami-teorii-informatsii
Лабиринт монтировался из спичек и укреплялся в кювете с водой для того, чтобы муравьи не могли двигаться по «прямой». В начальную точку муравьи попадали по мостику. Муравьи, находящиеся на арене, не могли видеть происходящего в лабиринте. Для того чтобы исключить маркировку пути пахучим следом, спички, по которым проходили муравьи, периодически заменяли новыми… С «перспективными» разведчиками и их группами мы работали специально в течение нескольких сеансов. Они не только сразу запоминали дорогу, но и сравнительно легко переучивались, когда в ходе одного сеанса менялось направление пути к приманке. Группы, контактировавшие с такими разведчиками, двигаясь компактно, безошибочно направлялись к приманке. Отдельные муравьи, совершавшие ложные повороты, довольно быстро догоняли остальных фуражиров. При этом члены других групп, в том числе «опытные» разведчики, попавшие на установку случайно и не знакомые с координатами кормушки в данный момент, не находили ее в случае трехи более развилок. Это позволяет исключить действие каких-либо иных механизмов ориентации, кроме дистантного наведения, т. е. использования сведений, сообщенных разведчиком.
Согласно работе, информация о маршруте передается от муравья к муравью неким языком, а не пометкой следа феромонами.
Вот ссылки на т.н. «гринвичский» ряд уровня солнечных пятен:
Среднемесячные значения: solarscience.msfc.nasa.gov/greenwch/sunspot_area.txt
Ежедневные значения: solarscience.msfc.nasa.gov/greenwch/daily_area.txt
Пояснения: solarscience.msfc.nasa.gov/greenwch.shtml
solarscience.msfc.nasa.gov/SunspotCycle.shtml
Отрежьте с конца кусок данных лет так за 46 (два полных солнечных цикла с небольшим запасом) и попробуйте предсказать отрезанное. Затем сравните с оригиналом.
Среднемесячные значения: solarscience.msfc.nasa.gov/greenwch/sunspot_area.txt
Ежедневные значения: solarscience.msfc.nasa.gov/greenwch/daily_area.txt
Пояснения: solarscience.msfc.nasa.gov/greenwch.shtml
solarscience.msfc.nasa.gov/SunspotCycle.shtml
Отрежьте с конца кусок данных лет так за 46 (два полных солнечных цикла с небольшим запасом) и попробуйте предсказать отрезанное. Затем сравните с оригиналом.
После прочтения у меня возникло несколько вопросов (не буду повторять те, что были отмечены в комментариях выше)
1. «прирост -1, -0,9… и так до 1». Прирост у вас по сути получается дискретной величиной. Правильно я понимаю, что по идеи, из исходного ряда (по видимому действительного) вы делаете дискретный со значениями прироста (v_i — v_{i-1}). И уже потом на основе этого ряда, «хитрым способом» получаете граф.
2. Чем этот метод лучше, по сравнению с другими известными способами, например, разными регрессиями или марковскими цепями.
3. «Данный алгоритм мы тестировали на искусственно подготовленных временных рядах с разным уровнем периодичности и шума». Не могли бы вы подробнее рассказать какие вы генерировали тестовые данные, шум с какими характеристиками использовали и т.д.?
1. «прирост -1, -0,9… и так до 1». Прирост у вас по сути получается дискретной величиной. Правильно я понимаю, что по идеи, из исходного ряда (по видимому действительного) вы делаете дискретный со значениями прироста (v_i — v_{i-1}). И уже потом на основе этого ряда, «хитрым способом» получаете граф.
2. Чем этот метод лучше, по сравнению с другими известными способами, например, разными регрессиями или марковскими цепями.
3. «Данный алгоритм мы тестировали на искусственно подготовленных временных рядах с разным уровнем периодичности и шума». Не могли бы вы подробнее рассказать какие вы генерировали тестовые данные, шум с какими характеристиками использовали и т.д.?
НЛО прилетело и опубликовало эту надпись здесь
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Прогнозирование временных рядов