Инд. авторы:	Лысяк А.С., Рябко Б.Я.
Заглавие:	Методы прогнозирования временных рядов с большим алфавитом на основе универсальной меры и деревьев принятия решений
Библ. ссылка:	Лысяк А.С., Рябко Б.Я. Методы прогнозирования временных рядов с большим алфавитом на основе универсальной меры и деревьев принятия решений // Вычислительные технологии. - 2014. - Т.19. - № 2. - С.76-93. - ISSN 1560-7534. - EISSN 2313-691X.
Внешние системы:	РИНЦ: 21389826;
Реферат:	rus: Предлагаются новые подходы к непараметрическому прогнозированию временных рядов, основанные на теории универсальной меры и на деревьях принятия решений. Описаны классический подход к прогнозированию на основе универсального кодирования, методы его оптимизации, а также метод прогнозирования на основе универсальной меры. Кроме того, предложен новый подход к работе алгоритмов прогнозирования - метод разделения алфавита. Данный метод может быть внедрён в произвольный алгоритм прогнозирования и позволяет существенно сократить его трудоёмкость, а также повысит точность предсказания. Показано, как метод разделения алфавита можно внедрить в произвольный алгоритм прогнозирования. eng: We suggest and experimentally investigate methods to construct forecasting algorithms based on universal measure and decision trees. The classical method for forecasting is based on the universal coding along with methods for its optimization, and the method for forecasting on the basis of the universal measure. We propose a new approach to forecasting algorithms - the method of separation of the alphabet. This method can be implemented in an arbitrary prediction algorithm and it can significantly reduce the complexity and increase the accuracy of predictions. We show how to implement the method of separation of the alphabet into random prediction algorithm.
Ключевые слова:	R-method; prediction; forecasting; Decision trees; universal measure; метод разделения алфавита; временные ряды; R-мера; прогнозирование; решающие деревья; деревья принятия решений; универсальные коды; универсальная мера; time series;
Издано:	2014
Физ. характеристика:	с.76-93
Цитирование:	1. Bontempi G. Local Learning Techniques for Modeling, Prediction and Control. Ph.d., IRIDIA-Universit de Libre de Bruxelles, BELGIUM, 1999. 2. Ahmed N. An empirical comparison of machine learning models for time series forecasting // Econometric Rev. 2010. Vol. 29, iss. 5-6. P. 594-621. 3. Palit A.K., Popovic D. Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications (Advances in Industrial Control). New York: Springer-Verlag, 2005. 4. Zhang G., Patuwo B.E., Michael Y.H. Forecasting with articial neural networks: The state of the art // Intern. J. of Forecasting. 1998. Vol. 14, iss. 1. P. 35-62. 5. Ryabko B. Compression-based methods for nonparametric prediction and estimation of some characteristics of time series // IEEE Trans. on Informat. Theory 2009. Vol. 55, No. 9. P. 4309-4315. 6. Рябко Б.Я. Дважды универсальное кодирование // Проблемы передачи информации. 1984. Т. 20, № 3. С. 24-28. 7. Рябко Б., Монарёв В. Экспериментальное исследование методов прогнозирования, основанных на алгоритмах сжатия данных // Там же. 2005. Т. 41, № 1. C. 65-69. 8. Nevill-Manning C.G., Witten I.H., Paynter G.W. Lexically-generated subject hierarchies for browsing large collections // Intern. J. of Digital Libraries. 1999. Vol. 2, iss. 3. P. 111-123. 9. Poskitt D.S., Tremayne A.R. The selection and use of linear and bilinear time series models // Intern. J. of Forecasting. 1986. Vol. 2, iss. 1. P. 101-114. 10. Tong H. Non-linear Time Series: A Dynamical System Approach. Oxford Univ. Press, 1990. 11. Tong H. Threshold models in Nonlinear Time Series Analysis. Berlin: Springer-Verlag, 1983. 12. Tong H., Lim K.S. Threshold autoregression, limit cycles and cyclical data // J. of the Royal Statistical. Ser. B (Methodological). 1980. Vol. 42, iss. 3. P. 245-292. 13. Engle R. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom // Econometrica. 1982. Vol. 50, iss. 4. P. 987-1007. 14. Clements M.P., Franses P.H., Swanson N.R. Forecasting economic and financial time-series with non-linear models // Intern. J. of Forecasting. 2004. Vol. 20, iss. 2. P. 169-183. 15. Cheng H., Tan P-N., Gao J., Scripps J. Multistep-ahead time series prediction // Lecture Notes in Computer Sci. 2006. Vol. 3918. P. 765-774. 16. Приставка П.А. Экспериментальное исследование метода прогнозирования, основанного на универсальных кодах // Вестник СибГУТИ. 2010. № 4. C. 26-35. 17. Nevill-Manning C.G., Witten I.H. Identifying hierarchical structure in sequences: A linear-time algorithm // J. of Artificial Intelligence Res. 1997. Vol. 7. P. 67-82.