Д.В. Яшин – аспирант, Ульяновский государственный технический университет

E-mail: dv.yashin@yandex.ru

Е.Н. Эгов – ассистент, Ульяновский государственный технический университет E-mail: e.egov@ulstu.ru

Рассмотрен основанный на методах машинного обучения способ выбора индивидуальных методов в комбинированной модели прогнозирования временного ряда. Предложена нейронная сеть, на вход которой подается вектор легко вычисляемых метрик, соответствующих значимым для решения задачи прогнозирования характеристикам временного ряда. С помощью нейронной сети на основании значений метрик временного ряда  вычислены предполагаемые значения ошибки каждым методом в составе базового набора комбинированной модели. Показано, что разработанный метод выбора наиболее эффективен для коротких временных рядов и в случаях, когда базовый набор включает большое число методов прогнозирования.

1. Computational Intelligence in Forecasting (CIF). URL = http://irafm.osu.cz/cif/main.php (от 26.04.2018).
2. Yarushkina N.G., Filippov A.A., Romanov A.A., Moshkin V.S., Egov E.N. Developing a system for time series data mining on the basis of F-transform and the domain-specific ontology // Joint 17th world congress of international fuzzy systems association and 9th international conference on soft computing and intelligent systems (IFSA-SCIS). 2017. Institute of Electrical and Electronics Engineers Inc. 2071.
3. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. М.: Финансы и статистика. 2001. 228 с.
4. Васильев А.А. Генезис гибридных моделей прогнозирования на основе объединения прогнозов // Вестник ТвГУ. Сер. Экономика и управление. 2014. № 23. С. 316−331.
5. Горелик Н.А., Френкель А.А. Статистические проблемы экономического прогнозирования // Статистические методы анализа экономической динамики: Уч. зап. по статистике. М.: Наука. 1983. Т. 46. С. 9−48.
6. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: Физматлит. 2006. 816 с.
7. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. 2003. 416 с.
8. Садовникова Н.А., Шмойлова Р.А. Анализ ВР и прогнозирование . М.: МГУЭСИ. 2001. 67 с.
9. Тимина И.А., Эгов Е.Н. Энтропия как показатель аномалий временных рядов метрик проектной деятельности / Нечеткие системы и мягкие вычисления. Промышленные применения // Сб. научных трудов IV Всерос. научно-практической мультиконференции с междунар. участием «Прикладные информационные системы (ПИС). 2017. Ульяновск: Ульяновский государственный технический университет. 2017. С. 47−53.