Долгосрочное прогнозирование ежедневных цен на электроэнергию (пример)
Материал из MachineLearning.
Строка 1: | Строка 1: | ||
Решается задача долгосрочного прогнозирования цен на электроэнергию. Долгосрочное прогнозирование цен является основой для планирования и инвестирования. Для решения задачи рассматривается метод авторегрессии. При построении модели также производится отбор признаков при помощи | Решается задача долгосрочного прогнозирования цен на электроэнергию. Долгосрочное прогнозирование цен является основой для планирования и инвестирования. Для решения задачи рассматривается метод авторегрессии. При построении модели также производится отбор признаков при помощи | ||
[[Метод наименьших углов (пример)|метода наименьших углов]] | [[Метод наименьших углов (пример)|метода наименьших углов]] | ||
- | {{tip|Полный текст этой работы, [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Dzhamtyrova2010Forecasting/doc/Dzhamtyrova10forecasting.pdf PDF]}} | + | {{tip|Полный текст этой работы, [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Group774/Dzhamtyrova2010Forecasting/doc/Dzhamtyrova10forecasting.pdf PDF]}} |
== Постановка задачи == | == Постановка задачи == | ||
Строка 103: | Строка 103: | ||
==Смотри также== | ==Смотри также== | ||
- | * Полный текст этой работы, [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Dzhamtyrova2010Forecasting/doc/Dzhamtyrova10forecasting.pdf PDF] | + | * Полный текст этой работы, [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Group774/Dzhamtyrova2010Forecasting/doc/Dzhamtyrova10forecasting.pdf PDF] |
- | * Исходный код вычислительного эксперимента [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Dzhamtyrova2010Forecasting] | + | * Исходный код вычислительного эксперимента [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Group774/Dzhamtyrova2010Forecasting] |
==Литература== | ==Литература== |
Текущая версия
Решается задача долгосрочного прогнозирования цен на электроэнергию. Долгосрочное прогнозирование цен является основой для планирования и инвестирования. Для решения задачи рассматривается метод авторегрессии. При построении модели также производится отбор признаков при помощи метода наименьших углов
Полный текст этой работы, PDF |
Содержание |
Постановка задачи
Дан временной ряд , и матрица признаков, столбцами которой являются . Необходимо спрогнозировать следующую величину .
Предполагается, что
1) отсчёты сделаны через равные промежутки времени,
2) ряд имеет периодическую составляющую,
3) ряд не имеет пропущенных значений,
4) длина ряда кратна периоду .
Составляется матрица значений временного ряда:
в которой длина ряда .
Введём обозначения
В случае, когда учитываются временные ряды , для каждого -го временного ряда строится матрица и присоединяется справа. Полученная матрица
Пусть задан набор функций , например,
. Матрица порождённых признаков
Пути решения задачи
Требуется решить задачу линейной регресии Требуется найти такие параметры , которые доставляют минимум норме вектора невязок .
В терминах линейной регрессии
Возможны два подхода к нахождению значения . Первый заключается в последовательном построении прогнозируемых значений. В качестве вектора выбираюся предыдущих значений временного ряда, и для каждого следующего значения необходимо заново строить авторегрессионную матрицу . Второй подход заключается в прогнозировании периода ряда по предыдущему. В качестве вектора выбираются значений ряда предшествующего периода. При данном подходе перестраивать авторегрессионную матрицу не нужно.
При увеличении числа признаков (в случае добавления столбцов необходимо уменьшить размерность пространства засчёт отбора признаков. В качестве алгоритма отбора признаков выбран метод наименьших углов. Проверяется, улучшает ли отбор признаков прогнозирование.
Смотри также
Литература
- Vadim Strijov Model Generation and its Applications in Financial Sector. — Middle East Technical University, 2009.
- Bradley Efron, Trevor Hastie, Iain Johnstone and Robert Tibshirani Least Angle Regression. — 2002.
- Стрижов В.В Методы выбора регрессионных моделей. — ВЦ РАН, 2010.
- Rafal Weron Modeling and Forecasting Electricity Loads and Prices. — 2006.
- Hsiao-Tien Pao A Neural Network Approach to m-Daily-Ahead Electricity Price Prediction. — 2006.
- Wei Wu, Jianzhong Zhou,Li Mo and Chengjun Zhu Forecasting Electricity Market Price Spikes Based on Bayesian Expert with Support Vector Machines. — 2006.
Данная статья была создана в рамках учебного задания.
См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |