Сравнительный анализ традиционных методов прогнозирования с методами прогнозирования на нейронных сетях

Данная тематика обусловлена проблемой разработки и совершенствования методов прогнозирования. В исследовании проводится сравнительный анализ традиционных методов прогнозирования с методами прогнозирования на нейронных сетях. Результаты покажем на примере прогнозирования «Объема экспорта» млрд. долл. – месячные данные с 01.1994 по 04.2000. После процедуры сглаживания рисунок 1 оценка адекватных моделей производилась в пакете STATISTICA и Forecast Expert.

 

Формулы для сглаживания по пяти точкам

Для наглядности результаты работы программы Forecast Expert покажем на рисунках 2-3. Исследуется модель АРИМА (авторегрессии проинтегрированного скользящего среднего).

Для наглядности результаты работы в пакете STATISTICA покажем на рисунках 4-5.

 

1. Для сетей типа MLP (многослойный персептрон)

 

2. Для сетей типа RBF (радаально-базисная функция)

 

 

Из проведенного исследования можно сделать вывод о том, что процедура сглаживания и нормирования данных временных рядов позволяет улучшить свойства моделей прогнозирования на нейронных сетях. А например, для моделей прогнозирования типа – АРИМА не удается получить хороших, адекватных результатов. Как хорошо видно из результатов полученных в пакете Forecast Expert (рисунок 2-3), алгоритм автоматического подбора типа модели дает различные результаты для исходного и сглаженного рядов. Когда в свою очередь, модели на НС показывают прекрасные результаты (рисунок 7, 9,10): D(x) = 0.016821 для исходного ряда; D(x) = 0.014558 для сглаженного ряда; s2 остатков для исходного ряда 0,129697, для сглаженного ряда 0,120632.

 

Литература

  1. Головко В.А. Нейронные сети: обучение, организация и применение. Учебное пособие для вузов.– М.: ИПРЖР, 2001. – 256 с.
  2. 2.     Нейронные сети. Statistica Neural Networks: Пер. с англ. – М.: Горячая линия – Телеком. 2001. – 182с., ил.
  3. 3.     Боровиков В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере. – М.: Финансы и статистика, 2000. – 348с.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *