Математическое бюро
Прогнозирование на ОРЭМ
Моя рабочая Классификация методов и моделей прогнозирования размещена на http://habrahabr.ru/post/177633/.

Базовая классификация

Раздел работы, посвященный методам прогнозирования, называется classification of developed short-term load forecast methods, что означает «классификация разработанных методов краткосрочного прогнозирования энергопотребления».

«The research approaches of short-term load forecasting can be mainly divided into two categories: statistical methods and artificial intelligence methods».

Исследовательские подходы к краткосрочному прогнозированию энергопотребления главным образом можно разделить на две категории: статистические методы и методы искусственного интеллекта.

Говоря о краткосрочном прогнозировании энергопотребления и называя цели такого прогнозирования, автор сразу отсекает ту часть методов, которая обычно вынесена в группу интуитивных методов. Стоит уточнить, что здесь речь идет о формализованных методах прогнозирования.

Рассмотрим, что мадам Yang подразумевает под статистическими методами прогнозирования.

«In statistical methods, equations can be obtained showing the relationship between load and its relative factors after training the historical data».

В статистических методах после проведения анализа на исторических данных может быть получено уравнение, отражающее зависимость между энергопотреблением и связанными внешними факторами.

Название статистические я взяла для своей диссертации, но примела его не к методам, а моделям. Как уже говорилось ни единожды, метод – последовательность действий (набор алгоритмов), а модель – математическая зависимость. Так что не совсем корректно говорить о методе, а после указывать его главной особенностью математическую зависимость, заданную в виде уравнений (equations). Мне сейчас кажется, что название «статистические» для данной группы моделей прогнозирования не очень подходит.

При этом под методами искусственного интеллекта подразумеваются следующие методы.

«Artificial intelligence methods try to imitate human beings’ way of thinking and reasoning to get knowledge from the past experience and forecast the future load».

Методы искусственного интеллекта пытаются воспроизвести способ мышления человека, чтобы получить знания из прошлого и предсказать будущее энергопотребление.

Все книги по нейронным сетям начинаются с такой же или похожей фразы. Но из этой формулировки и с пониманием идеи нейронных сетей я слепила название структурные для второй группы моделей. Когда связь между прошлыми и будущими значениями задана в виде структуры.

Ровно такое деление моделей прогнозирования я использую в своей диссертации. Идею этого деления я почерпнула в рассматриваемой работе Jingfei Yang. В частности, в обзорной главе диссертации я говорю: «Формализованные методы рассматривают модели прогнозирования. В обзоре [9] модели прогнозирования разделяются на статистические модели и структурные модели».

Классификация моделей прогнозирования

Статистические модели прогнозирования

«The statistical category includes multiple linear regression, stochastic time series, general exponential smoothing, state space, etc. Recently support vector regression, which is a very promising statistical learning method, has also been applied to short-term load forecasting and has shown good results».

К статистическим моделям (статистическим методам) прогнозирования Jingfei Yan относит

  • множественную линейную регрессию,
  • стохастические временные ряды,
  • общее экспоненциальное сглаживание,
  • пространство состояний,
  • опорные векторы регрессии.

Особенности статистических моделей (методов).

«Usually statistical methods can predict the load curve of ordinary days very well, but they lack the ability to analyze the load property of holidays and other anomalous days, due to the inflexibility of their structure».

Как правило, статистические методы могут предсказать энергопотребление обычного дня очень хорошо, но в них не заложено достаточно гибкости, чтобы анализировать праздничные и другие нерегулярные дни.

Структурные модели прогнозирования

«Expert system, artificial neural network and fuzzy inference belong to the artificial intelligence category».

К структурным моделям (методам искусственного интеллекта) Jingfei Yan относит

  • экспертные системы,
  • искусственные нейронные сети
  • нечеткую логику

Особенности структурных моделей (методов искусственного интеллекта).

«Expert systems try to get the knowledge of experienced operators and express it in an “if…then” rule, but the difficulty is sometimes the experts knowledge is intuitive and could not easily be expressed».

Экспертные системы стараются приобрести знания опытных специалистов и заложить эти знания в правило «Если…, то… ». Сложность состоит в том, что знания экспертов основаны часто на интуиции и их сложно выразить подобным образом.
«Artificial neural network doesn’t need the expression of the human experience and aims to establish a network between the input data set and the observed outputs. It is good at dealing with the nonlinear relationship between the load and its relative factors, but the shortcoming lies in overfitting and long training time».

Искусственные нейронные сети не нуждаются в описании опыта человека, они стремятся определить зависимости между входным набором данных и выходным. Они хороши в работе с нелинейными зависимостями между энергопотреблением и внешними факторами, но их недостаток состоит в «перетренировке сети» (overfitting) и большом времени обучения.
«Fuzzy inference is an extension of expert systems. It still needs the experts experience to generate the fuzzy rules».

Нечеткая логика является расширением экспертных систем, а потому она по-прежнему нуждается в переложении опыта в нечеткие правила.

Рекомендации Jingfei Yan по выбору модели (метода) прогнозирования

«Generally artificial intelligence methods are flexible in finding the relationship between load and its relative factors, especially for the anomalous load forecasting».

В целом методы искусственного интеллекта гибки в определении зависимости между нагрузкой и внешними факторами, в особенности для нерегулярных дней.

Резюме

  1. Работа Jingfei Yan мне нравится: она проста и понятна. Однако стоит отметить, что автор, на мой взгляд, не совсем четко владеет терминологией и не разделяет понятий модель прогнозирования и метод прогнозирования, а также применительно к статистическим моделям говорит о «недостаточной гибкости структуры»
  2. Предложенное деление формализованных моделей прогнозирования я взяла за основу и включила в свою диссертацию потому, что на момент написания более ясной и четкой формулировки не нашла.
  3. Однако я не стала применять предложенную классификацию в лоб, а доработала ее с учетом a) терминологии b) более общей задачи прогнозирования временных рядов вообще, а не рядов энергопотребления в частности.

Комментарии