(44-5) 17 * << * >> * Русский * English * Содержание * Все выпуски

Гибридный подход для краткосрочного прогнозирования временных рядов на основе штрафного P-сплайна и эволюционной оптимизации
Е.А. Кочегурова 1, Е.Ю. Репина 1, О.Б. Цехан 2

1 Национальный исследовательский Томский политехнический университет, Томск, Россия,

2 Гродненский государственный университет имени Янки Купалы, Гродно, Беларусь

 PDF, 1225 kB

DOI: 10.18287/2412-6179-CO-667

Страницы: 821-829.

Аннотация:
В работе предложена гибридная модель прогнозирования, включающая рекуррентную схему штрафного P-сплайна с адаптацией параметров на основе алгоритмов эволюционной оптимизации. В задачах краткосрочного прогнозирования, особенно в системах реального времени, актуальной является задача повышения скорости прогноза без ухудшения его качества. Высокая скорость прогнозирования в данном подходе достигается экономичной вычислительной схемой рекуррентного P-сплайна при малой глубине предыстории. А одновременная адаптация нескольких параметров P-сплайна позволяет управлять точностью прогноза.

Ключевые слова:
временной ряд, штрафной P-сплайн, гибридная модель прогнозирования, многоцелевая оптимизация, эволюционные алгоритмы.

Благодарности
Работа выполнена при поддержке гранта РФФИ (№ 18-07-01007).

Цитирование:
Кочегурова, Е.А. Гибридный подход для краткосрочного прогнозирования временных рядов на основе штрафного P-сплайна и эволюционной оптимизации / Е.А. Кочегурова, Е.Ю. Репина, О.Б. Цехан // Компьютерная оптика. – 2020. – Т. 44, № 5. – С. 821-829. – DOI: 10.18287/2412-6179-CO-667.

Citation:
Kochegurova EA, Repina EY, Tsekhan OB. Hybrid approach for time series forecasting based on a penalty p-spline and evolutionary optimization. Computer Optics 2020; 44(5): 821-829. DOI: 10.18287/2412-6179-CO-667.

Литература:
  1. Yin, Y. Forecasting traffic time series with multivariate predicting method / Y. Yin, P. Shang // Applied Mathematics and Computation. – 2016. – Vol. 291, Issue 1. – P. 266-278.
  2. Агафонов, А.А. Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей / А.А. Агафонов, А.С. Юмаганов, В.В. Мясников // Компьютерная оптика. – 2018. – Т. 42, № 6. – C. 1101-1111. – DOI: 10.18287/2412-6179-2018-42-6-1101-1111.
  3. Sbrana, G. Short-term inflation forecasting: The M.E.T.A. approach / G. Sbrana, A. Silvestrini, F. Venditti // International Journal of Forecasting. – 2017. – Vol. 33. – P. 1065-1081.
  4. Montgomery, D.C. Introduction to time series analysis and forecasting / D.C. Montgomery, C.L. Jennings, M. Kulahci. – Hoboken, New Jersey: John Wiley and Sons, Inc., 2015. – 443 p.
  5. Wang, H. Time series feature learning with labeled and unlabeled data / H. Wang, Q. Zhangc, J. Wud, S. Panf, Y. Chene // Pattern Recognition. – 2019. – Vol. 89. – P. 55-66.
  6. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. – М.: Мир, 1974. – 406 с.
  7. Астахова, Н.Н. Применение многоцелевой оптимизации для прогнозирования групп временных рядов / Н.Н. Астахова, Л.А. Демидова, Е.В. Никульчев // Кибернетика и программирование. – 2016. – № 5. – С. 175-190.
  8. Parmezan, A. Metalearning for choosing feature selection algorithms in data mining: Proposal of a new framework / A. Parmezan, H. Lee, F. Wu // Expert Systems with Applications. – 2017. – Vol. 75. – P. 1-24.
  9. Чучуева, И.А. Модель прогнозирования временных рядов по выборке максимального подобия : дис. ... канд. техн. наук : 05.13.18 / Чучуева Ирина Александровна. – М., 2012. – 155 с.
  10. Parmezan, A. Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model / A. Parmezan, V. Souza, G. Batistaa // Information Sciences. – 2019. – Vol. 484. – P. 302-337.
  11. Запорожцев, И.Ф. Краткосрочное прогнозирование пространственно-временной изменчивости океанографических характеристик методами анализа многомерных временных рядов : дис. ... канд. техн. наук : 05.13.18 / Запорожцев Иван Федорович. – Мурманск: 2016. – 183 с.
  12. Демидова, Л.А. Классификация данных на основе SVM-алгоритма и алгоритма k-ближайших соседей / Л.А. Демидова, Ю.С. Соколова // Вестник Рязанского государственного радиотехнического университета. – 2017. – Т. 62. – С. 119-132.
  13. Hajirahimi, Z. Hybrid structures in time series modeling and forecasting A review / Z. Hajirahimi, M. Khashei // Engineering Applications of Artificial Intelligence. – 2019. – Vol. 86. – P. 83-106.
  14. Lu, C. Wavelet fuzzy neural networks for identification and predictive control of dynamic systems / C. Lu // IEEE Transactions on Industrial Electronics. – 2011. – Vol. 58, Issue 7. – P. 3046-3058.
  15. Аверкин, А.Н. Гибридный подход для прогнозирования временных рядов на основании нейросети ANFIS и нечетких когнитивных карт / А.Н. Аверкин, С.А. Ярушев // Международная конференция по мягким вычислениям и измерениям. – 2017. – Т. 1. – С. 467-470.
  16. Chen, M.-Y. A hybrid fuzzy time series model based on granular computing for stock price forecasting / M.-Y. Chen, B.-T. Chen // Information Sciences. – 2015. – Vol. 294. – P. 227-241.
  17. Rafiei, M. Probabilistic forecasting of hourly electricity price by generalization of ELM for usage in improved wavelet neural network / M. Rafiei, T. Niknam, M.-H. Khooban // IEEE Transactions on Industrial Informatics. – 2017. – Vol. 13, Issue 1. – P. 71-79.
  18. Zhang, M.L. A k-nearest neighbor based algorithm for multi-label classification / M.L. Zhang, Z.H. Zhou // Proceedings of the 1st IEEE International Conference on Granular Computing. – 2005. – P. 718-721.
  19. Chernoff, K. Weighting of the k-nearest-neighbors / K. Chernoff, M. Nielsen // Proceedings of the 20th IEEE International Conference on Pattern Recognition (ICPR). – 2010. – P. 666-669.
  20. Liu, H. Noisy data elimination using mutual k-nearest neighbor for classification mining / H. Liu, S. Zhang // Journal of Systems and Software. – 2012. – Vol. 85, Issue 5. – P. 1067-1074.
  21. de Boor, C. A practical guide to splines / C.A. de Boor. – New York: Springer-Verlag, 2001. – 348 p.
  22. Sharif, S. Comparison of significant approaches of penalized spline regression (P-splines) / S. Sharif, S. Kamal // Pakistan Journal of Statistics and Operation Research. – 2018. – Vol. 14, Issue 2. – P. 289-303.
  23. Budakçı, G. Extending fundamental formulas from classical B-splines to quantum B-splines / G. Budakçı, Ç. Dişibüyük, R. Goldman, H. Oruç // Journal of Computational and Applied Mathematics. – 2015. – Vol. 282. – P. 17-33.
  24. Eilers, P. Twenty years of P-splines / P. Eilers, B. Marx, M. Durbán // Statistics and Operations Research Transactions. – 2015. – Vol. 39, Issue 2. – P. 149-186.
  25. Yang, L. Adaptive penalized splines for data smoothing / L. Yang, Y. Hong // Computational Statistics and Data Analysis. – 2017. – Vol. 108. – P. 70-83.
  26. Kochegurova, E.A. Current estimation of the derivative of a non-stationary process based on a recurrent smoothing spline / E.A. Kochegurova, E.S. Gorokhova // Optoelectronics, Instrumentation and Data Processing. – 2016. – Vol. 52, Issue 3. – P. 280-285.
  27. Kochegurova, E.A. Frequency analysis of recurrence variational P-splines / E.A. Kochegurova, A.I. Kochegurov, N.E. Rozhkova // Optoelectronics, Instrumentation and Data Processing. – 2017. – Vol. 53, Issue 6. – P. 591-598.
  28. Martín, A. EvoDeep: a new evolutionary approach for automatic Deep Neural Networks parametrization / A. Martín, R. Lara-Cabrera, F. Fuentes-Hurtado, V. Naranjo, D. Camacho // Journal of Parallel and Distributed Computing. – 2018. – Vol. 117. – P. 180-191.
  29. Zhang, K.Q. Research on a combined model based on linear and nonlinear features – A case study of wind speed forecasting / K.Q.  Zhang, Z.X. Qu, Y.X. Dong, H.Y. Lu, W.N. Leng, J.Z. Wang, W.Y. Zhang // Renewable Energy. – 2019. – Vol. 130. – P. 814-830.
  30. Пантелеев, А.В. Методы глобальной оптимизации. Метаэвристические стратегии и алгоритмы / А.В. Пантелеев, Д.В. Метлицкая, Е.А. Алешина. – М.: Вузовская книга, 2013. – 244 с.
  31. Гельфанд, И.М. Принцип нелокального поиска в задачах автоматической оптимизации / И.М. Гельфанд, М.Л. Цетлин // ДАН СССР. – 1961. – Т. 137, № 2. – С. 295-298.
  32. Коварцев, А.Н. К вопросу об эффективности параллельных алгоритмов глобальной оптимизации функций многих переменных / А.Н. Коварцев, Д.А. Попова-Коварцева // Компьютерная оптика. – 2011. – Т. 35, № 2. – С. 256-261.
  33. Bergstra, J. Algorithms for hyper-parameter optimization / J. Bergstra, R. Bardenet, Y. Bengio, B. Kégl // Proceedings of the 25th Annual Conference on Neural Information Processing Systems (NIPS). – 2011. – P. 1-9.
  34. Меняйлов, Е.С. Обзор и анализ существующих модификаций генетических алгоритмов // Открытые информационные и компьютерные интегрированные технологии. – 2015. – № 70. – С. 244-254.
  35. Kochegurova, E.A. Some results of designing an IIR smoothing filter with p-splines / E.A. Kochegurova, I.Y. Khozhaev, S.V. Rybushkina // International Review of Automatic Control. – 2019. – Vol. 12, Issue 4. – P. 200-209.
  36. Shcherbakov, M.V. A survey of forecast error measures / M.V. Shcherbakov, A. Brebels, N.L. Shcherbakova, A.P. Tyukov, T.A. Janovsky, V.A. Kamaev // World Applied Sciences Journal. – 2013. – Vol. 24, Issue 24. – P. 171-176.
  37. Parmezan, A. ICMC-USP time series prediction repository [Electronical Resource] / A. Parmezan, G. Batista. – 2014. – URL: http://sites.labic.icmc.usp.br/aparmezan/publications/pdf/Repository_Parmezan_USP_2014_TSPR.pdf (request date 06.02.2020).
  38. Babu, C. A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data / C. Babu, B. Reddy // Applied Soft Computing. – 2014. – Vol. 23. – P. 27-38.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20