Авторы
Низамитдинов А.И. – доктор философии (PhD) по специальности, старший преподаватель, кафедра цифровой экономики, Политехнический институт Таджикского технического университета имени академика М.С. Осими, г.Худжанд, Республика Таджикистан, ahlidin@gmail.com.
Аннотация
В статье рассматриваются базовые алгоритмы для прогнозирования временных рядов, как последовательного набора данных, измеренных во времени, т.е. определенных в хронологическом порядке. Приведена теоретическая основа построения использованных регрессионных моделей. Построены модели прогнозирования временных рядов. Выполнен анализ результатов оценки моделей с помощью метрик минимизации ошибок моделей. Приводится сравнительный анализ полученных результатов моделей используя метрику критерия прогнозирования, средняя абсолютная процентная ошибка (мean absolute percentage error или MAPE). Использованы наиболее часто применяемые регрессионные методы прогнозирования временных рядов, такие как, линейная регрессионная модель, полиномиальная модель и кубическая регрессионная модель. Применен эмпирический анализ временного ряда, ежедневный обменный курс валют Евро/доллара США на протяжении одного года. Данные включают 267 наблюдений. Результаты, полученные с помощью использованных моделей сравнены между собой. Сделано заключение о том, что, непараметрическая модель, основанная на кубической регрессионной модели, показывает более лучший результат. Отмечено, что с развитием новых технологий в обработке больших баз данных, разрабатываются новые алгоритмы машинного обучения для прогнозирования временных рядов в контексте развития цифровой экономики.
Ключевые слова
прогнозирование, временные ряды, метод наименьших квадратов, полиномиальные модели, кубические регрессионные модели.
|
Язык русский |
|
Тип технический |
|
Год 2022 |
|
Страница 7-14 |
Список использованной литературы
- Abraham, B. (1981). Missing Observations in Time Series. Communications in statistics Theory A, 10, 1643-1653.
- D. Marx and P.H.C. Eilers (1998). Direct generalized additive modeling with penalized likelihood, Computational Statistics and Data Analysis, 28, 193-209.
- Beveridge S. (1992). Least Squares Estimation of Missing Values in Time Series. Communications in statistics Theory A, 21(12), 3479-3496.
- Brockwell, P. J., & Davis, R. A. (1991). Time Series: Theory and Methods. New York, USA: Springer-Verlag.
- De Boor (1978). A Practical Guide to Splines, Springer, New York.
- Hamilton, J. D. (1994). Time Series Analysis. New Jersey, USA: Princeton University Press.
- Dierckx, Curve and surface fitting with splines, Clarendon Press, Oxford, 1993.
- H.C. Eilers and B.D. Marx (1996). Flexible smoothing using B-splines and penalized likelihood (with comments and rejoinders). Statistical Science, 11(2), 89-121.
- J. Green and B.W. Silverman, Nonparametric regression and generalized linear models. Chapman and Hall, London, 1994.
- Robert H. Shumway, David S. Stoffer. Time Series Analysis and Its Applications. Springer, New York, 2006.
Дата публикация
2023-10-09