Abstract
The study presents a schematic diagram suitable to describe almost any presently known combined, hybrid or decomposition model for forecasting time series. The diagram has laid the basis for the suggested methods of structural identification of sparse nonlinear models of interrelated non-stationary time series on the basis of “Caterpillar”-SSA methods, fast orthogonal search, a group accounting method, and SARIMA models. Often a plurality of measured features is insufficient for building a model of satisfactory quality. It is necessary to extend the set of features by means of functional transformations of initial signs to decrease the uncertainty of the linear model. The study suggests that components of the “Caterpillar”-SSA method expansion, applied to the forecast and exogenous time series, should be viewed as generated variables. In one of the suggested models, the method of fast orthogonal search is used for optimal thinning. In the other––the method of group arguments accounting is applied to thin the Kolmogorov-Gabor polynomial, which is built on the expansion components of the “Caterpillar”-SSA method that is applied to the forecast and exogenous time series. To correct the forecasts in both models, we used the seasonal model of auto-regression––the integrated moving average. The analysis and modeling of the considered method prove its effectiveness in the search of an optimal model structure, and the time for determining the model parameters considerably shortens alongside. Therefore, a systematic approach is a set of methods and tools that facilitates overall researching of the properties and structure of the interrelated non-stationary time series and presents them as systems with all complex inter-element relationships.
Highlights
В работе приведена структурная схема, подходящая для описания практически любой известной на сегодняшний день комбинированной, гибридной или декомпозиционной модели прогнозирования временных рядов
Правильный выбор этих переменных существенно влияет на точность получения результатов прогнозирования и на время, необходимое для определения модели
Hybrid Systems to Select Variables for Time Series Forecasting Using MLP and Search Algorithms [Text] / I
Summary
Развитие методов прогнозирования определяется степенью математического описания процессов, имеющих место в различных отраслях науки и техники с учётом математических достижений, технических ограничений, качества и объёма выборки данных и ограничений на ресурсы, в том числе и временные, формирования математической модели. Важным шагом в процессе идентификации моделей прогнозирования является отбор существенных переменных и их лаговых значений для того, чтобы получить самую простую модель, то есть модель, которая обеспечивает удовлетворительные прогнозы с наименьшим числом параметров. Правильный выбор этих переменных существенно влияет на точность получения результатов прогнозирования и на время, необходимое для определения модели. Широко применяемым для определения количества лаговых переменных при моделировании ВР, является автокорреляционная (АКФ) и частная автокорреляционная функции (ЧАКФ). Который может быть использован для оптимального прореживания, является метод полного перебора, в котором рассматриваются все комбинации подмножеств переменных. Для построения адекватных нелинейных математических моделей достаточно эффективным является расширение множества переменных модели с помощью различных преобразований исходных прогнозируемого и экзогенных временных рядов. Идея применения системного подхода как методологической основы постановки и решения проблем идентификации модели не является новой для научной литературы. В системном подходе, в отличие от традиционного, анализ ведется от системы к элементам, от сложного к простому
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
