Диссертация «Модель прогнозирования временных рядов по выборке максимального подобия». Глава 1. Постановка задачи и обзор моделей прогнозирования временных рядов
Ирина Чучуева, 11.5.2012
1.1. Содержательная постановка задачи
1.2. Формальная постановка задачи
1.3. Обзор моделей прогнозирования
1.3.1. Регрессионные модели
1.3.2. Авторегрессионные модели
1.3.3. Модели экспоненциального сглаживания
1.3.4. Нейросетевые модели
1.3.5. Модели на базе цепей Маркова
1.3.6. Модели на базе классификационно-регрессионных деревьев
1.3.7. Другие модели и методы прогнозирования
1.4. Сравнение моделей прогнозирования
1.4.1. Достоинства и недостатки моделей
1.4.2. Комбинированные модели
1.5. Выводы
Слова авторегрессия проинтегрированного скользящего среднего расширенная (АРПССР) их английский аналог auto regression integrated moving average extended (ARIMAX) некогда вызывали у меня страх и неприязнь. В четырех записях я сделаю пояснения о каждой части модели: авторегрессия, скользящее среднее, интегрирование, расширение модели.
В записи рассмотрены два вида прогнозирования: экспертное и формализованное. Для каждого вида прогнозирования перечислены методы и модели прогнозирования. Приведены ссылка на статью по повышению точности экспертного прогнозирования, кратко описан консенсус-прогноз.
Модель экстраполяции временных рядов по выборке максимального подобия
Ирина Чучуева, 1.11.2011
В статье предложена новая модель экстраполяции временных рядов по выборке максимального подобия. Приводится описание модели, а также алгоритм решения задачи ее идентификации. Оценка эффективности модели экстраполяции проведена на временных рядах энергопотребления и цен на электроэнергию.
