Инд. авторы:	Лысяк А.С., Рябко Б.Я.
Заглавие:	Прогнозирование многомерных временны́х рядов
Библ. ссылка:	Лысяк А.С., Рябко Б.Я. Прогнозирование многомерных временны́х рядов // Вестник СибГУТИ. - 2014. - № 3. - С.75-88. - ISSN 1998-6920.
Внешние системы:	РИНЦ: 22154488;
Реферат:	rus: В данной работе предложен новый подход к решению задачи прогнозирования временны́х рядов. Данный подход основан на принципе многомерного прогнозирования коррелирующих между собой временны́х рядов и позволяет учесть взаимное влияние и существующие взаимосвязи между двумя и более рядами. Показано теоретическое и практическое обоснование предложенного подхода, а также приведены экспериментальные результаты прогнозирования непрерывных экономических временны́х рядов, таких как цены на топливо США, внутренний валовый продукт США, индексы промышленных и потребительских цен, курсы Bitcoin. Также проведено исследование эффективности данных методов и способы выбора эффективных параметров работы для выбранных методов. eng: In this paper, a new approach to the problem solving of time series prediction is presented. This approach is based on multidimensional prediction principle of correlating among themselves time series and enables to take into account mutual influence and existing correlations between two or more series. Theoretical and practical reasons of the proposed approach are presented, as well as experimental results of prediction of continuous economic time series, such as fuel prices in the USA, gross domestic product in the USA, indexes of industrial and consumer prices, Bitcoin rates. Research of the efficiency of these methods and the ways of choosing the effective parameters of operation for the selected methods are also carried out.
Ключевые слова:	multidimensional prediction; prediction; time series; R-method; economic series; прогнозирование; экономические ряды; R-метод; временны́е ряды; многомерное прогнозирование;
Издано:	2014
Физ. характеристика:	с.75-88
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 Reviews. 2010,Vol. 29, Issue 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). Springer-Verlag New York: Secaucus, NJ, USA, 2005. 4. Zhang G., Patuwo B. E., Michael Y. H. Forecasting with articial neural networks: The state of the art // International Journal of Forecasting. 1998. Vol. 14, Issue 1. P. 35-62. 5. Приставка П.А. Экспериментальное исследование метода прогнозирования, основанного на универсальных кодах // Вестник СибГУТИ, 2010. №4, C. 26-35. 6. А.С. Лысяк, Б.Я. Рябко. Методы прогнозирования временны́х рядов с большим алфавитом на основе универсальной меры и деревьев принятия решений. Вычислительные технологии Т. 19, №2, 2014, с. 75-92. 7. B. Ryabko. Compression-Based Methods for Nonparametric Prediction and Estimation of Some Characteristics of Time Series. // IEEE Transactions on Information Theory, Vol. 55, № 9, 2009. P. 4309-4315. 8. Рябко Б.Я. Прогнозирование случайных последовательностей и универсальное кодирование. // Проблемы передачи информации. 1988. №24. C.3-14. 9. Рябко Б. Я. Дважды универсальное кодирование // Проблемы передачи информации. 1984. Т. 20, № 3. С. 24-28. 10. Cheng H. et al. Multistep-ahead time series prediction // Lecture Notes in Computer Science. 2006. V. 3918. P. 765-774. 11. Рябко Б., Монарёв В. Экспериментальное исследование методов прогнозирования, основанных на алгоритмах сжатия данных // Проблемы передачи информации. 2005. C. 65-69. 12. Nevill-Manning C.G., Witten I.H., Paynter G.W. Lexically-generated subject hierarchies for browsing large collections // International Journal of Digital Libraries. 1999. Vol. 2, Issue 3. P. 111-123. 13. Nevill-Manning C.G., Witten I.H. Identifying. Hierarchical Structure in Sequences: A linear-time algorithm // Journal of Artificial Intelligence Research. 1997. Vol. 7. P. 67-82. 14. Poskitt D.S., Tremayne A.R. The selection and use of linear and bilinear time series models // International Journal of Forecasting. 1986. Vol. 2, Issue 1. P. 101-114. 15. Tong H. Non-linear Time Series: A Dynamical System Approach. Oxford University Press, 1990. 16. Tong H. Threshold models in Nonlinear Time Series Analysis. Springer Verlag, Berlin, 1983. 17. Tong H., Lim K. S. Threshold autoregression, limit cycles and cyclical data //. Journal of the Royal Statistical. Series B (Methodological). 1980. Vol. 42, Issue 3. P. 245-292. 18. Engle R. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom // Econometrica. 1982. Vol. 50. Issue 4. P. 987-1007. 19. Clements M.P. et al. Forecasting economic and financial time-series with non-linear models // International Journal of Forecasting. 2004. Vol. 20.Issue 2. P. 169-183. 20. Krichevsky R. Universal Compression and Retrival. Kluver Academic Publishers, 1993.