ПРИКЛАДНЫЕ АСПЕКТЫ ПРИМЕНЕНИЯ ИНТЕРВАЛЬНОГО ПРОГНОЗИРОВАНИЯ ДИНАМИЧЕСКИХ ПОКАЗАТЕЛЕЙ В СИСТЕМНОМ АНАЛИЗЕ

Авторы: 
Краковский Юрий Мечеславович
Лузгин Александр Николаевич
Дата поступления: 
18.02.2017
Рубрика: 
Информатика, вычислительная техника и управление
Год: 
2017
Номер журнала (Том): 
№2(54)
УДК: 
519.688
Файл статьи: 
Иконка PDF 115-121.pdf
Страницы: 
115
121
Аннотация: 

 Рассмотрены основные прикладные аспекты и методы вероятностного прогнозирования динамических показателей, когда требуется получить оценку вероятности некоторого события в будущий момент времени, связанного с выбранным показателем. При этом основной акцент сделан на методы бинарного прогнозирования и их взаимосвязь с интервальным прогнозированием. Показано, что задача интервального прогнозирования возникает во многих прикладных областях и является актуальной. Проведенный анализ известных вероятностных методов показал, что интервальное прогнозирование можно проводить на основе следующих методов: а) методы вероятностной регрессии; б) байесовские методы; в) кластерные методы; г) нейронные сетевые методы; д) вероятностные методы опорных векторов; е) методы случайных лесов. Наиболее перспективными методами для интервального прогнозирования в системном анализе являются методы случайных лесов и вероятностные методы опорных векторов. Подробное рассмотрение каждого из этих методов выходит за рамки данной работы, однако авторы планируют подробно рассмотреть эти методы в своих будущих работах.

Ключевые слова: 
интервальное прогнозирование
динамические показатели
вероятностное прогнозирование
бинарное прогнозирование
классификация
Список цитируемой литературы: 
  1. Elliott G., Granger C., Timmermann A. Handbook of Economic Forecasting. 2013. Vol 2. 1324 p.
  2. Probability forecasting [Electronic resource]. URL: https://en.wikipedia.org/wiki/Probabilistic_fore casting (access date: 10.01.2017).
  3. Krakovsky J.M., Luzgin A.N. Interval forecasting algorithm for dynamic indicators based on probabilistic neural network // Sovremennye tehnologii. Sistemnyj analiz. Modelirovanie. 2016. No. 4 (52). P. 126–131.
  4. Krakovskij Ju.M., Luzgin A.N. Software for interval prediction of non-stationary dynamic indicators. Vestnik IrGTU. 2015. No. 4. P. 12–16.
  5. Krakovsky Y.M., Luzgin A.N. Interval forecasting algorithm for dynamic indicators based on robust probabilistic cluster model [Electronic resource] // Science and Education of the Bauman MSTU. 2016. No. 11. P. 113–126. URL: http://technomag.neicon.ru/doc/849839.html (access date: 15.02.2017).
  6. Krakovsky J.M., Luzgin A.N. Test of the accuracy of the interval prediction based on confidence estimates of probabilities // Applied informatics. 2017. Vol.12. No. 1 (67). P. 114-120.
  7. Little M.A. Generalized Linear Models for Site-Specific Density Forecasting of UK Daily Rainfall // Monthly Weather Review. 2009. № 37(3). P. 1029–1045.
  8. Schelzel C., Hense A. Probabilistic assessment of regional climate change in Southwest Germany by ensemble dressing // Climate Dynamics. 2011. No. 36 (9) P. 2003–2014.
  9. Murphy A.H., Winkler R.L. // Probability Forecasting in Meterology Journal of the American Statistical Association. 1984. Vol. 79. No. 387. P. 489–500.
  10.  Garcia M., Litago J., Palacios-Orueta A., Pinzon J. E., Susan L. U. Short-term propagation of rainfall perturbations on terrestrial ecosystems in central California // Applied Vegetation Science. 2010. Vol. 13. № 2. P. 146–162.
  11.  Primo C., Ferro C., Jolliffe L.T., and Stephenson D.B. Calibration of Probabilistic Forecasts of Binary Events // Monthly weather review. 2008. Vol. 137. P. 1142–1149.
  12.  Rafa W. Electricity price forecasting: A review of the state-of-the-art with a look into the future // International Journal of Forecasting. 2014. No. 30 (4). P. 1030–1081.
  13.  He Y., Liu R., Li H., Wang S., Lu X. Short-term power load probability density forecasting method using kernel-based support vector quantile regression and Copula theory // Applied Energy. 2017. Vol. 185 (1). P. 254–266.
  14.  Anbazhagan S., Kumarappan N. Binary classification of day-ahead deregulated electricity market prices using neural networks // Power India Conference. 2013.
  15.  Eichler M., Grothe O., Manner H., Turk D. Models for short-term forecasting of spike occurrences in Australian electricity markets: a comparative study // Journal of Energy market. 2014. Vol. 7. No. 1. P. 55–81.
  16.  Nyberg H. Studies on binary time series models with applications to empirical macroeconomics and finance [Electronic resource]. 2010. URL: https://helda.helsinki.fi/bitstream/handle/10138/23519/studieso.pdf?segu... (access date: 15.03.2017).
  17.  Kauppi H., Saikkonen P., Predicting U.S. Recessions with Dynamic Binary Response Models // The Review of Economics and Statistics. 2008. Vol. 90. No. 4. Р. 777–791.
  18.  Katayama M. Improving Recession Probability Forecasts in the U.S. Economy [Электронный ресурс]. 2010. URL: http://econ.kyoto-u.ac.jp/~katayama/paper/PredictingRecessions.pdf (access date: 25.02.2017).
  19.  Lili H., Eric C., Ng Y. Predicting Canadian recessions using dynamic probit modelling approaches // The Canadian Journal of Economicsю. 2011. Vol. 44. No. 4. P. 1297–1330.
  20.  Hamilton J. D., Jorda O. A Model of the Federal Funds Rate Target // Journal of PoliticalEconomy. 2002. No. 110. P. 1135–1167.
  21.  Wilson T., Bell M. Probabilistic Regional Population Forecasts: The Example of Queensland, Australia // Geographical Analysis. 2007. Vol. 39. P. 1–25.
  22.  Chen S.X., Lloyd C. J. Estimation of population size from biased samples using non-parametric binary regression // Statistica Sinica. 2002. No. 12. P. 505–518.
  23.  Bossavy A., Girard R., Kariniotakis G. Forecasting wind power uncertainty related to ramp events // European Wind Energy Conf. 2010.
  24.  Cutler N., Kay M., Jacka K., Nielsen T.S Detecting, categorizing and forecasting large ramps in wind farm power output using meteorological observations and WPPT // Wind Energy. 2007. No. 10. P. 453–70.
  25.  William N. J., Jones L.W., Woods M.T. Use of Logistic Regression for Forecasting Short-Term Volcanic Activity // Algorithms.  2012. No. 5(3). P. 330–363.
  26.  Cramer J. S. Predictive performance of the binary logit model in unbalanced samples // Journal of the Royal Statistical Society: Series D. 1999. No. 48, P.85–94.
  27.  Minka T.P. Algorithm for Maximum-likelihood Logistic Regression [Electronic resource]. 2007. URL: https://tminka.github.io/papers/logreg/minka-logreg.pdf (access date:  11.02.2017).
  28.  Yin D. A note on probit model [Electronic resource]. 2012. URL: http://www.yindawei.com/wp-content/uploads/2012/11/probitRegression.pdf (access date: 22.02.2017).
  29.  Frelich M. Non-parametric            regression for binary dependent variables // Econometrics Journal. 2006. Vol. 9. P. 511–540.
  30.  Gozalo P., Linton O. Local nonlinear least squares: Using parametric information in nonparametric regression // Journal of Econometrics. 2000. No. 99. P. 63–106.
  31.  Ng A.Y., Jordan M. I. On Discriminative vs. Generative classifiers: A comparison of logistic regression and naive Bayes // Advances In Neural Information Processing Systems, 14. 2002.
  32.  Haykin S.O. Neural Networks and Learning Machines. 2009. 906 p.
  33.  Specht D.F. Probabilistic neural networks // Neural Networks. 1990. Vol. 3. P. 109–118.
  34.  Christmann A, Steinwart I. Support vector ma-chines. 2008. 466 p.
  35.  Platt C.J. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods [Electronic resource]. 1999. URL: citese-erx.ist.psu.edu/viewdoc/download?doi=10.1.1.41.1639&rep=rep1&type=pdf (access date: 20.03.2017).
  36.  Campbell C., Cristianini N. Simple Learning Algorithms for Training Support Vector Machines [Electronic resource]. 1999. URL: http://www.svms.org/training/CaCr.pdf (access date: 12.12.2016).
  37.  Vaxjo K. Evaluation of logistic regression and random forest classification based on prediction accuracy and metadata analysis [Electronic resource]. 2014. URL: http://www.diva-por-tal.org/smash/get/diva2:724982/FULLTEXT01.pdf (access date: 11.10.2016).
  38.  Crawford M.M., Ham J., Chen Y., Ghosh J. Ranfom forests of binary hierarchical classification for analisys of hierarchical data [Electronic resource]. 2014. http://www.csr.utexas.edu/hyperspectral/papers/crawford03.pdf (access date: 12.03.2017).