Временные ряды

Излагаются результаты исследования вычислительных процедур построения авторегрессионных статистических моделей и их близких производных для применения в решении задач прогноза цены электроэнергии. Представлены достаточно детализированные результаты численного построения ARIMA-моделей с вариантами предобработки исходных данных, учитывающих закономерности функционирования энергетического комплекса. Проверка адекватности моделей прогноза историческим натурным данным в форме временных рядов осуществлялась на основе численной оценки стандартной ошибки. Достигнутый уровень точности моделей прогнозирования по Белгородской области соответствует опубликованным результатам по рынкам электроэнергии Европы, Америки и Австралии. Делается вывод о том, что наращивание сложности авторегрессионных моделей прогноза лишь в отдельных случаях и незначительно ведет к повышению точности прогнозирования.

Авторами разработано программно-информационное обеспечение информационной системы (ИС) анализа и прогнозирования доходности паевых инвестиционных фондов (ПИФ) с использованием искусственной нейронной сети (ИНС) обратного распространения. Описаны алгоритм «скользящего окна» для получения графических образов временных рядов при обучении ИНС, а также результаты применения ИС для прогнозирования доходности ПИФов.

Авторами дается обзор методов прогнозирования трафика в беспроводных самоорганизующихся сетях. Приводятся основные характеристики таких сетей и их сравнение с проводными. Рассматриваются алгоритмы на основе вейвлет-анализа, а также анализа временных рядов, кластеризации потоков, анализа графов (graph-mining) и др. Описываются достоинства и недостатки каждого из них.

В статье рассматриваются вопросы, связанные с базами данных для временных рядов. Временные ряды достаточно широко используются в различных приложениях. Соответственно, тема хранения временных рядов является весьма актуальной. Естественно, при определенных условиях, которые представлены в этой статье, можно использовать традиционные реляционные базы данных. Возможные ограничения будут, с одной стороны, связаны со скоростью поступления новых данных. С другой стороны, возможные ограничения, а также особенности обработки временных рядов приводят к необходимости использовать специализированные системы хранения временных рядов. Именно описанию работы с временными рядами с точки зрения баз данных и посвящена статья. В ней рассматриваются вопросы использования традиционных реляционных баз данных для хранения временных рядов, а также решения, классифицируемые как NoSQL-системы.

В пособии рассмотрены вопросы, связанные с решением задач исследования п прогнозирования временных рядов средствами языка и среды статистических вычислений R. В качестве математического аппарата используются классические параметрические вероятностно-статистические модели и методы анализа временных рядов. Для каждого метода дано краткое теоретическое описание, позволяющее понять его суть и особенности применения, и приведено описание основных функций языка R, реализующих метод. Основное внимание в пособии уделено рассмотрению технологии (методики) исследования и прогнозирования временного ряда с помощью среды R. На конкретных примерах рассматриваются вопросы идентификации, анализа адекватности, сравнения и окончательного выбора модели временного ряда. Предназначено для бакалавров IV курса АВТФ, обучающихся по направлениям 09.03.01 «Информатика и вычислительная техника», 09.03.04 «Программная инженерия» и для магистрантов 1-2-го года обучения, обучающихся по направлениям 09.04.01 «Информатика и вычислительная техника», 09.04.04 «Программная инженерия».