Модель Тейла-Вейджа

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: Р{{TOCright}} == Определение == Пусть задан временной ряд: <tex>y_i \dots y_t,\; y_i \in R</tex>. Необходимо р...)
Строка 1: Строка 1:
-
Р{{TOCright}}
+
{{TOCright}}
== Определение ==
== Определение ==
Пусть задан [[Временной ряд|временной ряд]]: <tex>y_i \dots y_t,\; y_i \in R</tex>.
Пусть задан [[Временной ряд|временной ряд]]: <tex>y_i \dots y_t,\; y_i \in R</tex>.

Версия 19:19, 6 января 2009

Содержание

Определение

Пусть задан временной ряд: y_i \dots y_t,\; y_i \in R.

Необходимо решить задачу прогнозирования временного ряда.

Модель Тейла-Вейджа - усложненная модель Хольта, учитывающая сезонность и аддетивный тренд.

\hat{y}_{t+d}=a_t + d b_t \Theta_{t + (d MOD s) - s}

a_t=\alpha_1 \left( y_t - \Theta_{t-s} \right) + \left(1-\alpha_1 \right)\left(a_{t-1} +b_{t-1}\right);

b_t=\alpha_3 \left( a_t-a_{t-1} \right) + \left(1-\alpha_3 \right)b_{t-1};

\Theta_t=\alpha_2 \left( y_t-a_t \right) + \left(1-\alpha_2 \right) \Theta_{t-s};

где s - период сезонности,\Theta_i, \; i \in 0 \dots s-1 - сезонный профиль, a_t, \;r_t отвечают за линейную и экспоненциальную составляющую тренда соответствено.

Параметры \alpha_1,\; \alpha_2, \; \alpha_3 \in \left( 0,1 \right) . Параметры выбираются по аналогии с выбором параметра α в модели Брауна.

Литература

Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.

Ссылки

Модель Брауна — экспоненциальное сглаживание.

Модель Хольта - учитывается линейный тренд без сезонности.

Модель Хольта-Уинтерса — учитываются мультипликативный тренд и сезонность.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9C%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_%D0%A2%D0%B5%D0%B9%D0%BB%D0%B0-%D0%92%D0%B5%D0%B9%D0%B4%D0%B6%D0%B0»
Личные инструменты