Хабр Курсы для всех
РЕКЛАМА
Практикум, Хекслет, SkyPro, авторские курсы — собрали всех и попросили скидки. Осталось выбрать!
Хабр доступен 24/7 благодаря поддержке друзей
Комментарии 33
Существует еще один довольно мощный метод, основанный на нелинейной динамике. Это метод реконструкции исходных уравнений процесса. Суть его в том, что вы из одномерного ряда получаете многомерный а далее на его основе восстанавливаете уравнения системы (точнее их приближение) в аналитическом виде. Кроме этого существует так же метод SSA ru.wikipedia.org/wiki/SSA_метод
Существует еще один довольно мощный метод, основанный на нелинейной динамике. Это метод реконструкции исходных уравнений процесса. Суть его в том, что вы из одномерного ряда получаете многомерный а далее на его основе восстанавливаете уравнения системы (точнее их приближение) в аналитическом виде
Как он называется?
Кроме этого существует так же метод SSA
Есть ли ссылки на применение SSA для прогнозирования именно? Ссылка на википедию нерабочая.
Сорри, вот ссылка ru.wikipedia.org/wiki/SSA_(метод)
Вот пример с прогнозированием SSA
«Как он называется?»
Он так и называется «Реконструкция обыкновенных дифференциальных уравнений по временным рядам»
Вот пример с прогнозированием SSA
«Как он называется?»
Он так и называется «Реконструкция обыкновенных дифференциальных уравнений по временным рядам»
За ссылку спасибо, открыла, выглядит солидно!
Не, модели на каких-либо диффурах я как-то не отношу к стохастическим моделям. Вероятно, это ближе к детерминированным моделям.
Не, модели на каких-либо диффурах я как-то не отношу к стохастическим моделям. Вероятно, это ближе к детерминированным моделям.
По-мимо стохастических моделей есть еще модели, основанные на детерминированном хаосе
Метод реконструкции именно с такими и работает. К слову, хаотическая динамика довольно неплохо описывает финансовые временные ряды
Метод реконструкции именно с такими и работает. К слову, хаотическая динамика довольно неплохо описывает финансовые временные ряды
Моделей много всяких разных. Спасибо за пояснение! Хочется прежде со стохастическими разобраться, а потом уж пошире смотреть.
Вы сам этим занимались? Или просто про это слышали?
Вы сам этим занимались? Или просто про это слышали?
Я нелинейной динамикой занимался. А эти методы там используются. Ну прогнозом тоже немного занимался
Я помогал одногруппнику делать диплом 5 лет назад, у него как раз было прогнозирование расходов методом гусеницы. Кажется, я так понимал его смысл: при нахождении собственных векторов матрицы по сути находим константы разложения ряда Фурье. Дальше, соответственно, выбираем бОльшие из них, по ним и строим прогноз.
Он так и называется «Реконструкция обыкновенных дифференциальных уравнений по временным рядам»
Это более-менее общеизвестная общая идея, а не название метода. Это примерно как на вопрос о некоем методе оптимизации сказать «Он так и называется — 'Минимизация функции n аргументов'».
Использование нейронных сетей в этом смысле — тоже всего лишь идея. Просто каких-то общепринятых алгоритмов в этой сфере пока нет — она динамично развивается. Многомерный ряд восстанавливаете методом задержек, размерность пространства ищете методом ближайшего соседа. Вот кстати, неплохая работа по этой теме Анализ временных рядов
За ссылку спасибо, я полистала — очень интересно! Ознакомлюсь, тем более, рассматривается целая группа задач, а не только прогнозирование.
Использование нейронных сетей — это даже меньше, чем идея, это — отсутствие идей :)
А если серьезно, то использование нейронных сетей — это действительно не метод. Метод — это, например, «использование двухслойного перцептрона» (да, я знаю, что он почти никогда не работает на практике).
А что, разве есть хоть какие-то, пусть и необщепринятые? Про «метод задержек» и «размерность пространства вложения» (а на самом деле — инерциального многообразия) — это все уже навязло в зубах у всех. А вот полноценная реконструкция динамической системы по временному ряду — тут я вообще ни одной разумной работы не видел. Ваша ссылка очень хорошая (как все учебные книжки Лоскутова), но там тоже про это почти ничего нет. К тому же это учебник, содержащий более-менее общеизвестные вещи. Собственно, я даже в целом понимаю, почему это ни у кого не получается, но вдруг Вы видели что-то интересное в этой области.
А если серьезно, то использование нейронных сетей — это действительно не метод. Метод — это, например, «использование двухслойного перцептрона» (да, я знаю, что он почти никогда не работает на практике).
каких-то общепринятых алгоритмов в этой сфере пока нет — она динамично развивается
А что, разве есть хоть какие-то, пусть и необщепринятые? Про «метод задержек» и «размерность пространства вложения» (а на самом деле — инерциального многообразия) — это все уже навязло в зубах у всех. А вот полноценная реконструкция динамической системы по временному ряду — тут я вообще ни одной разумной работы не видел. Ваша ссылка очень хорошая (как все учебные книжки Лоскутова), но там тоже про это почти ничего нет. К тому же это учебник, содержащий более-менее общеизвестные вещи. Собственно, я даже в целом понимаю, почему это ни у кого не получается, но вдруг Вы видели что-то интересное в этой области.
Вот ещё одна ссылка, если ещё не видели
Гусеница
Гусеница
Ого! Тоже интересуюсь этим вопросом, но не знал что их так много!
В качестве полезного дополнения предлагаю обратить внимание на спектральные методы.
Интуитивно понятно, что сложно-периодические процессы можно представить набором синусоид,
а потом по ним производить прогноз.
Но там много тонкостей. Если просто сделать преобразование Фурье данных на отрезке времени,
то обратное преобразование в последующие моменты даст… те же самые данные!
Поэтому надо что-то отбрасывать, что-то менять. Начальные подробности
Интуитивно понятно, что сложно-периодические процессы можно представить набором синусоид,
а потом по ним производить прогноз.
Но там много тонкостей. Если просто сделать преобразование Фурье данных на отрезке времени,
то обратное преобразование в последующие моменты даст… те же самые данные!
Поэтому надо что-то отбрасывать, что-то менять. Начальные подробности
Не кидайте ссылки на википедию, там только самая общая информация. Если у вас есть конкретные полезные статьи, как тот или иной метод применяется конкретно для задачи прогнозирования временных рядов, то именно такие ссылки и хочется получить. Я со своей стороны постаралась выдать только отфильтрованные и действительно качественные ссылки, где все понятно написано.
В принципе, это справедливо. Но попсовость и «общая общность» — это скорее недостатки российской вики.
В западной по статье из Wiki можно вполне реально углубиться в материал.
И главное, там много ссылок на конкретные статьи. По LSSA мне, например, вот эта пригодилась.
В западной по статье из Wiki можно вполне реально углубиться в материал.
И главное, там много ссылок на конкретные статьи. По LSSA мне, например, вот эта пригодилась.
Подскажите, какие из списка литературы вашего диссера понастоящему стоит читать? Перечисление это хорошо, но всё-таки для обзора не дотягивает, или топик будет пополняться?
Дело в том, что хороший обзор мне найти не удалось: они или узкие, или специализированные.
Узкие. То есть откровенная халтура, как на английском, так и на русском, где перечисляется от силы половина указанного списка. И все, на этом автор начинает двигаться дальше.
Специализированные. Вот это встречается чаще. Если человек прогнозирует, например, временной ряд энергопотребления, то он делает обзор моделей, на которых именно такого рода ряд прогнозируется. В связи с этим снова выходит усечение.
Наверное, самый приличный обзор методов + оценка их достоинств и недостатков на русском — в моей диссертации: Обзор моделей прогнозирования и Сравнение моделей прогнозирования.
На английском мне понравилось пару обзоров: Forecasting Spot Electricity Market Prices Using Time Series Models и A Computing Model of Artificial Intelligent Approaches to Mid-term Load Forecasting: a state-of-the-art-survey for the researcher. Однако эти материалы как раз из категории специализированных.
Из обзоров, к сожалению, порекомендовать больше нечего.
В дальнейшем, коли у меня руки дойдут, то я бы хотела описать все перечисленные модели с примерами реализации. Кое-что я уже сделала для своего сайта, кое-что еще только предстоит делать. Мне здесь бы просто хотелось получить ссылки полезные, если кто-то нашел, видел, использует модели. Разбираться мне приходится много, но найти из кучи материала то, что действительно просто и полезно, непросто и очень трудоемко.
Узкие. То есть откровенная халтура, как на английском, так и на русском, где перечисляется от силы половина указанного списка. И все, на этом автор начинает двигаться дальше.
Специализированные. Вот это встречается чаще. Если человек прогнозирует, например, временной ряд энергопотребления, то он делает обзор моделей, на которых именно такого рода ряд прогнозируется. В связи с этим снова выходит усечение.
Наверное, самый приличный обзор методов + оценка их достоинств и недостатков на русском — в моей диссертации: Обзор моделей прогнозирования и Сравнение моделей прогнозирования.
На английском мне понравилось пару обзоров: Forecasting Spot Electricity Market Prices Using Time Series Models и A Computing Model of Artificial Intelligent Approaches to Mid-term Load Forecasting: a state-of-the-art-survey for the researcher. Однако эти материалы как раз из категории специализированных.
Из обзоров, к сожалению, порекомендовать больше нечего.
В дальнейшем, коли у меня руки дойдут, то я бы хотела описать все перечисленные модели с примерами реализации. Кое-что я уже сделала для своего сайта, кое-что еще только предстоит делать. Мне здесь бы просто хотелось получить ссылки полезные, если кто-то нашел, видел, использует модели. Разбираться мне приходится много, но найти из кучи материала то, что действительно просто и полезно, непросто и очень трудоемко.
Я хоть и не автор, но порекомендую вот эту книжку
Модель на основе генетического алгоритма
Это странный зверь, такого рода решения я называю «иезуитскими»
Зато в паре с нейронными сетями ГА вполне жизнеспособны. Обычно их используют для выбора оптимальных параметров обучения сети (сигма функции, количество слоев, метод обучения...)
Да, ANN + GA часто используют в связке. Просто обычно при помощи GA как раз сеть учат, как вы и написали, но это не совсем решение задачи прогнозирования. Прогнозирует, то есть находит будущее значение, именно ANN. А вот когда прогнозируют на GA — вот это иезуитство.
Есть еще так называемое генетическое программирование, на основе генетических алгоритмов оптимизации конструируется функция аппроксимации. Принцип действия в общем и целом, как и у ГА в нейросетях, функциональные блоки разнообразнее. Году в 2000-м, когда интересовался данной тематикой, вроде лидером был российский продукт Polyanalist
Не подскажете ли, к какому классу относится HTM?
Я поглядела документ бегло, нужно смотреть внимательнее, чтобы точно разобраться. Я просто такого раньше не встречала. Давайте, как гляну, то напишу тут ответ.
en.wikipedia.org/wiki/Hierarchical_Temporal_Memory — вот тут компактное описание. Модель эта структурная, в частности по ссылке написано: «HTM can be viewed as an artificial neural network». Наверное, на ней можно делать прогноз, но я не видела примеров такого рода прогнозов.
вот пример программы, занимающейся прогнозированием временных рядов на HTM: numenta.com/grok
Старый добрый GMDH не упомянут — ему лет 45 уже.
По генетике — вы смотрели на ГА, т.е. оптимизацию.
В прогнозировании обычно используют ГП — генетическое программирование.
Вот пример очень старого и успешного коммерческого применения:
www.tradingsystemlab.com/introgeneticprograms.aspx
По генетике — вы смотрели на ГА, т.е. оптимизацию.
В прогнозировании обычно используют ГП — генетическое программирование.
Вот пример очень старого и успешного коммерческого применения:
www.tradingsystemlab.com/introgeneticprograms.aspx
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Обзор моделей прогнозирования временных рядов: проба пера