Адаптивная селекция моделей прогнозирования

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 4: Строка 4:
Будем решать задачу [[Прогнозирование|прогнозирования]] временного ряда.
Будем решать задачу [[Прогнозирование|прогнозирования]] временного ряда.
-
'''Адаптивная селективная модель''' выбирает прогнозирующую функцию из некоторого множества.
+
'''Адаптивная селективная модель''' (АКМ) выбирает прогнозирующую функцию из некоторого множества.
==Обозначения==
==Обозначения==
*<tex>\hat{y}_{t+d}</tex> - прогноз <tex>y_{t+d}</tex>, сделанный в момент времени <tex>t</tex>
*<tex>\hat{y}_{t+d}</tex> - прогноз <tex>y_{t+d}</tex>, сделанный в момент времени <tex>t</tex>
Строка 17: Строка 17:
==Примечание==
==Примечание==
-
Для более гладкого прогнозирования рекомендуется использовать [[Адаптивная композиция моделей прогнозирования|адаптивную композицию моделей прогнозирования]]
+
АКМ можно осуществлять однозначно и эффективно в том случае, если базовые модели существенно различаются. Для случая, когда модели дают сравнительно близкие результаты рекомендуется использовать [[Адаптивная композиция моделей прогнозирования|адаптивную композицию моделей прогнозирования]]
== Литература==
== Литература==

Версия 18:42, 7 января 2009

Содержание

Постановка задачи

Пусть задан временной ряд: y_1 \ldots y_t,\; y_i \in R.

Будем решать задачу прогнозирования временного ряда.

Адаптивная селективная модель (АКМ) выбирает прогнозирующую функцию из некоторого множества.

Обозначения

  • \hat{y}_{t+d} - прогноз y_{t+d}, сделанный в момент времени t
  • \hat{y}_{j,t+d} - прогноз модели под номером j в момент времени t на момент времени t+d.
  • \vareps_{jt}=y_t-\hat{y}_{jt}
  • \tilde\vareps_{jt}=\gamma|\vareps_{jt}|+(1-\gamma)\tilde\vareps_{j,t-1} - сглаживающая ошибка
  • j_t*:=\arg\min\limits_{j=1..k}\tilde\vareps_{jt} - лучшая модель при прогнозе в момент времени t

Прогноз

В селективной модели используется следующий вид прогноза:

\hat{y}_{t+d}:=\hat{y}_{j_t*,t+d}

Примечание

АКМ можно осуществлять однозначно и эффективно в том случае, если базовые модели существенно различаются. Для случая, когда модели дают сравнительно близкие результаты рекомендуется использовать адаптивную композицию моделей прогнозирования

Литература

Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов.. — М.: Финансы и статистика, 2003. — 416 с. — ISBN 5-279-02740-5

См. также

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%90%D0%B4%D0%B0%D0%BF%D1%82%D0%B8%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B5%D0%B9_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F»
Личные инструменты