Краткосрочное прогнозирование многомерных временных рядов с использованием робастных нейросетевых моделей
Ключові слова:
прогнозирование, многомерные временные ряды, обучаемые искусственные нейронные сети, оценивание доверительных интервалов для прогнозируемых значений и размерности пространства коинтегрированных временных рядов, априорная неопределенность данных
Анотація
Предложена статистическая модель контроля состояния динамических систем с применением робастных нейросетевых моделей с задержкой во времени. Разработан метод прогнозирования многомерных временных рядов, полученных на основе данных мониторинга переменных состояния динамических систем. Проведено сравнение качества прогнозирования с помощью предложенных моделей (в форме однонаправленной и радиально-базисной обучаемых искусственных нейронных сетей). Получены оценки доверительных интервалов для прогнозируемых значений и размерности пространства коинтегрированных временных рядов с учетом точности измерения переменных состояния.Завантаження
##plugins.generic.usageStats.noStats##
Посилання
1. Епифанов С.В. Выбор эффективных критериев тренда для применения в алгоритмах параметрической диагностики / С.В. Епифанов, Б.А. Щербань, Ю.В. Черкасов. – Авиационно-космическая техника и технология. – 2012. – № 8 (95). – С. 232-240.
2. Епифанов С.В. Прогнозирование технического состояния турбореактивного двухконтурного двигателя / С.В. Епифанов, Б.А. Щербань, Н.Д.Багаутдинов, Ю.В. Черкасов. – Авиационно-космическая техника и технология. – 2015. – № 8 (125). – С. 93-101.
3. Тарек Юсеф Баді Біштаві. Обчислювальні методи ідентифікації моделей в задачах прогнозування телетрафіку: Автореф. дис. тех. наук. – Харків: ХНУ ім. В.Н. Каразіна, 2011. – 18 с.
4. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия: Автореф. дисс. канд. техн. наук. – Москва: МГУ им. Н.Э. Баумана, 2012. – 17 с.
5. Jingfei Yang M. Sc. Power System Short-term Load Forecasting // Elektrotechnik und Informationstechnik der Technischen Universitat: Thesis for Ph.d degree. – Germany, Darmstadt, 2006. – 139 p.
6. Commandeur J.J.F. Statistical Software for State Space Methods / J.J.F. Commandeur, S. J. Koopman, M. Ooms. – Journal of Statistical Software. – 2011. – Vol. 41, № 1. – 18 p.
7. Frank R.J. Time Series Prediction and Neural Networks / R.J. Frank, N. Davey, S.P. Hunt. – Journal of Intelligent and Robotic Systems, 2001. – Vol. 31, Issue 1. – P. 91-103.
8. Смирнова Е.И. Моделирование структуры состояний сложной системы для задач прогнозирования / Е.И. Смирнова. – Штучний Інтелект. – В. Новгород: ДонНТУ, ИПИИ «Наука і освіта», 2000. – 4 с. URL: http://ea.dgtu.donetsk.ua:8080/jspui/bitstream/123456789/22945/1/МОДЕЛИРОВАНИЕ%20СТРУКТУРЫ%20СОСТОЯНИЙ%20СЛОЖНОЙ.pdf (дата обращения: 21.10.2015).
9. Фаворская М.Н. Прогнозирование с системах распознавания образов на основе скрытых Марковских моделей / М.Н. Фаворская, Н.Д. Торгашин, А.Г. Зотин // Вестник Сибирского государственного аэрокосмического университета. – 2006. – Серия: «Математика, механика, информатика». – Выпуск 3. – С. 59-63. ISSN 1816-9724
10. Крючин О.В. Прогнозирование временных рядов с использованием нейронных сетей типа Вольтерри и сравнение показателей с многослойным персептроном / О.В. Крючин, О.В. Кондратков. – Электронный научный журнал «Исследовано в России», 2010. – T.13. – ISSN 1819-4192. – С. 953-967.
11. Щелкалин В.Н. Математические модели и методы, основанные на совместном использовании идей методов «Гусеница»-SSA и Бокса-Дженкинса // Тр. IX междунар. конф. «Идентификация систем и задачи управления» SICPRO’12 / Харьковский национальный университет радиоэлектроники. – М., 2012. – С.728-771.
12. Дмитриев А.Н. Моделирование временных рядов заболеваемости с использованием искусственных нейронных сетей / А.Н. Дмитриев, В.В. Котин. Медицинская техника. – 2013. – № 1 (277). – С. 35-38.
13. Time Series Analysis for Business Forecasting [Электронный ресурс]. URL: http://home.ubalt.edu/ntsbarsh/business-stat/stat-data/forecast.htm#rzchartforcat (дата обращения: 21.10.2015).
14. Браммер К. Фильтр Калмана-Бьюси. Детерминированное наблюдение и стохастическая фильтрация. / К. Браммер, Г. Зиффлинг., Пер. с нем. –Главная редакция физико-математической литературы.– М.: «Наука», 1982. – 200 с.
15. Гуржий А.Н. Математическое обеспечение информационно-управляющих систем. Прогнозирование: учеб. пособ. / А.Н. Гуржий, В.М. Левыкин, Б.В. Шамша, Т.Б. Шатовская. – X.: ООО «Компания СМИТ», 2013. – 372 с.
16. Тихонов Э.Е. Прогнозирование в условиях рынка: учебное пособие / Э.Е.Тихонов. – Невинномысск, 2006. – 221 с. – ISBN 5-89571-077-8.
17. Минаев Ю.Н. Методы и алгоритмы решения идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, Бенамеур Лиес. – М.: Горячая линия-Телеком, 2003. – 205 с.
18. Хайкин С. Нейронные сети: полный курс. / С. Хайкин. – М.: ООО «И.Д. Вильямс», 2006. – 1104 с.
19. Стрелец В. Е. Системное совершенствование элементов сложных технических систем на основе концепции обратных задач: монография/ В. Е. Стрелец, А.А.Трончук, Е.М. Угрюмова и др.; под общ. ред. М. Л. Угрюмова. – Х.: Нац. аэрокосм. ун-т им. Н. Е. Жуковского «Харьк. авиац. ин-т», 2013. – 148 с. – ISBN 978-966-662-312-9.
20. Меняйлов Е.С. Формирование облика технических систем в условиях неопределенности входных данных на основе методов искусственного интеллекта / Е.С.Меняйлов, Е.М. Угрюмова, А.А. Трончук, С.В. Черныш // Авиационно-космическая техника и технология. – 2014. – № 7 (114). – С.169-174.
21. Румшинский Л.З. Математическая обработка результатов эксперимента / Л.З. Румшинский. – Главная редакция физико-математической литературы. – М.: «Наука», 1971. – 192 с.
22. Антонян И.М. Метод оценивания информативности переменных нейросетевых моделей систем и процессов при неопределенности данных / И.М. Антонян, В.А. Горячая, А.И. Зеленский, Е.М. Угрюмова. // Вісник Харківського національного Університету. Збірник наукових праць. – 2015, №1156 серія: «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління». – Випуск 26. С. 5-16. URL: http://www.irbis-nbuv.gov.ua/cgi-bin/irbis_nbuv/cgiirbis_64.exe?C21COM=2&I21DBN=UJRN&P21DBN=UJRN&IMAGE_FILE_DOWNLOAD=1&Image_file_name=PDF/VKhIMAM_2015_1156_26_3.pdf (дата обращения: 21.10.2015).
2. Епифанов С.В. Прогнозирование технического состояния турбореактивного двухконтурного двигателя / С.В. Епифанов, Б.А. Щербань, Н.Д.Багаутдинов, Ю.В. Черкасов. – Авиационно-космическая техника и технология. – 2015. – № 8 (125). – С. 93-101.
3. Тарек Юсеф Баді Біштаві. Обчислювальні методи ідентифікації моделей в задачах прогнозування телетрафіку: Автореф. дис. тех. наук. – Харків: ХНУ ім. В.Н. Каразіна, 2011. – 18 с.
4. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия: Автореф. дисс. канд. техн. наук. – Москва: МГУ им. Н.Э. Баумана, 2012. – 17 с.
5. Jingfei Yang M. Sc. Power System Short-term Load Forecasting // Elektrotechnik und Informationstechnik der Technischen Universitat: Thesis for Ph.d degree. – Germany, Darmstadt, 2006. – 139 p.
6. Commandeur J.J.F. Statistical Software for State Space Methods / J.J.F. Commandeur, S. J. Koopman, M. Ooms. – Journal of Statistical Software. – 2011. – Vol. 41, № 1. – 18 p.
7. Frank R.J. Time Series Prediction and Neural Networks / R.J. Frank, N. Davey, S.P. Hunt. – Journal of Intelligent and Robotic Systems, 2001. – Vol. 31, Issue 1. – P. 91-103.
8. Смирнова Е.И. Моделирование структуры состояний сложной системы для задач прогнозирования / Е.И. Смирнова. – Штучний Інтелект. – В. Новгород: ДонНТУ, ИПИИ «Наука і освіта», 2000. – 4 с. URL: http://ea.dgtu.donetsk.ua:8080/jspui/bitstream/123456789/22945/1/МОДЕЛИРОВАНИЕ%20СТРУКТУРЫ%20СОСТОЯНИЙ%20СЛОЖНОЙ.pdf (дата обращения: 21.10.2015).
9. Фаворская М.Н. Прогнозирование с системах распознавания образов на основе скрытых Марковских моделей / М.Н. Фаворская, Н.Д. Торгашин, А.Г. Зотин // Вестник Сибирского государственного аэрокосмического университета. – 2006. – Серия: «Математика, механика, информатика». – Выпуск 3. – С. 59-63. ISSN 1816-9724
10. Крючин О.В. Прогнозирование временных рядов с использованием нейронных сетей типа Вольтерри и сравнение показателей с многослойным персептроном / О.В. Крючин, О.В. Кондратков. – Электронный научный журнал «Исследовано в России», 2010. – T.13. – ISSN 1819-4192. – С. 953-967.
11. Щелкалин В.Н. Математические модели и методы, основанные на совместном использовании идей методов «Гусеница»-SSA и Бокса-Дженкинса // Тр. IX междунар. конф. «Идентификация систем и задачи управления» SICPRO’12 / Харьковский национальный университет радиоэлектроники. – М., 2012. – С.728-771.
12. Дмитриев А.Н. Моделирование временных рядов заболеваемости с использованием искусственных нейронных сетей / А.Н. Дмитриев, В.В. Котин. Медицинская техника. – 2013. – № 1 (277). – С. 35-38.
13. Time Series Analysis for Business Forecasting [Электронный ресурс]. URL: http://home.ubalt.edu/ntsbarsh/business-stat/stat-data/forecast.htm#rzchartforcat (дата обращения: 21.10.2015).
14. Браммер К. Фильтр Калмана-Бьюси. Детерминированное наблюдение и стохастическая фильтрация. / К. Браммер, Г. Зиффлинг., Пер. с нем. –Главная редакция физико-математической литературы.– М.: «Наука», 1982. – 200 с.
15. Гуржий А.Н. Математическое обеспечение информационно-управляющих систем. Прогнозирование: учеб. пособ. / А.Н. Гуржий, В.М. Левыкин, Б.В. Шамша, Т.Б. Шатовская. – X.: ООО «Компания СМИТ», 2013. – 372 с.
16. Тихонов Э.Е. Прогнозирование в условиях рынка: учебное пособие / Э.Е.Тихонов. – Невинномысск, 2006. – 221 с. – ISBN 5-89571-077-8.
17. Минаев Ю.Н. Методы и алгоритмы решения идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, Бенамеур Лиес. – М.: Горячая линия-Телеком, 2003. – 205 с.
18. Хайкин С. Нейронные сети: полный курс. / С. Хайкин. – М.: ООО «И.Д. Вильямс», 2006. – 1104 с.
19. Стрелец В. Е. Системное совершенствование элементов сложных технических систем на основе концепции обратных задач: монография/ В. Е. Стрелец, А.А.Трончук, Е.М. Угрюмова и др.; под общ. ред. М. Л. Угрюмова. – Х.: Нац. аэрокосм. ун-т им. Н. Е. Жуковского «Харьк. авиац. ин-т», 2013. – 148 с. – ISBN 978-966-662-312-9.
20. Меняйлов Е.С. Формирование облика технических систем в условиях неопределенности входных данных на основе методов искусственного интеллекта / Е.С.Меняйлов, Е.М. Угрюмова, А.А. Трончук, С.В. Черныш // Авиационно-космическая техника и технология. – 2014. – № 7 (114). – С.169-174.
21. Румшинский Л.З. Математическая обработка результатов эксперимента / Л.З. Румшинский. – Главная редакция физико-математической литературы. – М.: «Наука», 1971. – 192 с.
22. Антонян И.М. Метод оценивания информативности переменных нейросетевых моделей систем и процессов при неопределенности данных / И.М. Антонян, В.А. Горячая, А.И. Зеленский, Е.М. Угрюмова. // Вісник Харківського національного Університету. Збірник наукових праць. – 2015, №1156 серія: «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління». – Випуск 26. С. 5-16. URL: http://www.irbis-nbuv.gov.ua/cgi-bin/irbis_nbuv/cgiirbis_64.exe?C21COM=2&I21DBN=UJRN&P21DBN=UJRN&IMAGE_FILE_DOWNLOAD=1&Image_file_name=PDF/VKhIMAM_2015_1156_26_3.pdf (дата обращения: 21.10.2015).
Опубліковано
2016-03-23
Як цитувати
Антонян, И. М., Горячая, В. А., Зеленский, А. И., & Угрюмова, Е. М. (2016). Краткосрочное прогнозирование многомерных временных рядов с использованием робастных нейросетевых моделей. Вісник Харківського національного університету імені В.Н. Каразіна, серія «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління», 28, 5-17. вилучено із https://periodicals.karazin.ua/mia/article/view/5461
Номер
Розділ
Статті
