ИССЛЕДОВАНИЕ ВЛИЯНИЯ ИЗМЕНЕНИЯ ПАРАМЕТРОВ МОДЕЛИ ARIMA НА КАЧЕСТВО ПРОГНОЗА ДЛЯ КОРОТКИХ НАБОРОВ ДАННЫХ
Аннотация
Временные ряды – это данные, собираемые в различные отрезки времени, которые, в свою очередь, в зависимости от задачи могут отличаться. Временные ряды используются для принятия решений. Анализ временных рядов позволяет получить некоторый результат, который определит характер принимаемого решения. Анализом временных рядов занимались в очень давние времена, например, следствием анализа стали различные календари. Позднее анализ временных рядов применялся для исследования и прогнозирования экономических, социальных и других систем. Временные ряды появились очень давно. Когда-то древневавилонские астрономы, изучая положение звезд, обнаружили периодичность затмений, что позволило в дальнейшем прогнозировать их появление. Позднее анализ временных рядов подобным образом привел к созданию различных календарей, например, урожайных. В дальнейшем помимо естественных областей добавились социальные и экономические. Цель исследования: поиск классификационных признаков временных рядов, позволяющих понять, можно ли для их краткосрочного (3 отсчета) прогноза применять модель ARIMA. Материалы и методы. Разработано специальное программное обеспечение, реализующее модели семейства ARIMA и необходимые интерфейсы. В работе были исследованы 59 наборов годовых данных с малой длиной, менее 20 значений. Данные обрабатывались с помощью Python бибиблиотек Statsmodels, Pandas. Для определения стационарности ряда использовался тест Дики – Фуллера. Стационарность временного ряда позволяет более качественно строить прогнозы. Для выбора наилучшей модели применялся информационный критерий Акаике. Получены рекомендации по обоснованному подбору параметров настройки ARIMA-моделей. Показана зависимость настроек от категории годовых рядов. Заключение. После обработки данных были выделены четыре категории, или шаблона, годовых рядов. В зависимости от категории были подобраны диапазоны параметров для настройки ARIMA-моделей. Предлагаемые диапазоны позволят определить начальные параметры для исследования аналогичных наборов данных. Даны рекомендации по улучшению качества постпрогноза и прогноза при помощи ARIMA-модели за счет подбора настроек.
Ключевые слова
Полный текст:
PDFЛитература
Бокс, Дж. Анализ временных рядов, прогноз и управление / Дж. Бокс, Г. Дженкинс; пер. с англ. под ред. В.Ф. Писаренко. – М.: Мир, 1974. – Кн. 1. – 406 с.
Семенов, А.В. Анализ временных рядов в политической науке: возможности и ограничения / А.В. Семенов // Политическая наука. – 2021. – № 1. – С. 76–97.
Khan, F.M. ARIMA and NAR based prediction model for time series analysis of COVID-19 cases in India / F.M. Khan, R. Gupta // Journal of Safety Science and Resilience. – 2020. – Vol. 1, iss. 1. –
P. 12–18. DOI: 10.1016/j.jnlssr.2020.06.007
Abonazel, M.R. Forecasting Egyptian GDP Using ARIMA Models / M.R. Abonazel, A.I. Abd-Elftah // Reports on Economics and Finance. – 2019. – Vol. 5, no. 1. – P. 35–47. DOI: 10.12988/ref.2019.81023
Comparison of ARIMA and Random Forest time series models for prediction of avian influenza H5N1 outbreaks / M.J. Kane, N. Price, M. Scotch et al. // BMC Bioinformatics 15. – 2014. – Vol. 276. DOI: 10.1186/1471-2105-15-276
Верзунов, С.Н. Краткосрочное прогнозирование индекса качества воздуха на основе ARIMA‐моделей / С.Н. Верзунов, Н.М. Лыченко // Сборник материалов VII Международной научной конференции, посвященной памяти С.С. Ефимова. – Омск, 2020. – C. 76–78.
Раднаев, Б.Б. ARIMA-модель пульсового сигнала / Б.Б. Раднаев, А.С. Цыбиков, Б.В. Хабитуев // Вестник БГУ. Математика, информатика. – 2017. – № 1. – С. 78–85.
Янченко, Т.В. Метод управления развитием социального ресурса региона на основе регрессионно-дифференциального моделирования / Т.В. Янченко, А.В. Затонский // Управление большими системами: сб. тр. – 2015. – № 54. – С. 86–113.
Затонский, А.В. Преимущества дифференциальной модели сложной экономической системы / А.В. Затонский, Н.А. Сиротина // Образование. Наука. Научные кадры. – 2012. – № 8. – С. 98–102.
Дуброва, Т.А. Статистические методы прогнозирования: учеб. пособие для вузов /
Т.А. Дуброва. – М.: ЮНИТИ-ДАНА, 2003. – 206 с.
Wang, W. Autoregressive Model-Based Gear Fault Diagnosis / W. Wang, A.K. Wong // Journal of Vibration and Acoustics. – 2002. – Vol. 124 (2). – P. 172–179. DOI: 10.1115/1.1456905
Gupta, R. The impact of US uncertainty on the Euro area in good and bad times: evidence from a quantile structural vector autoregressive model / R. Gupta, C.K.M. Lau, M.E. Wohar // Empirica. – 2018. – Vol. 46. – P. 353–368. DOI: 10.1007/s10663-018-9400-3
Multistage fusion approaches based on a generative model and multivariate exponentially weighted moving average for diagnosis of cardiovascular autonomic nerve dysfunction / M. Mehedi Hassan, Sh. Huda, J. Yearwood et al. // Information Fusion. – 2018. – Vol. 41. – P. 105–118. DOI: 10.1016/j.inffus.2017.08.004
Optimized Dickey-Fuller Test Refines Sign and Boundary Problems Compare to Traditional Dickey-Fuller Test / I. Masudul, A. Afroza, M. Sirajum et al. // International Journal of Statistics and Probability. – 2018. – Vol. 7, no. 5. – P. 19–27. DOI: 10.5539/ijsp.v7n5p19
Forecasting E-Commerce Products Prices by Combining an Autoregressive Integrated Moving Average (ARIMA) Model and Google Trends Data / S. Carta, A. Medda, A. Pili et al. // Future Internet. – 2019. – Vol. 11 (1), 5. DOI: 10.3390/fi11010005
Akaike, H. A new look at the statistical model identification / H. Akaike // IEEE Transactions on Automatic Control. – 1974. – Vol. 19. – P. 716–723.
Akaike's Information Criterion, Cp and estimators of loss for elliptically symmetric distributions / A. Boisbunon, S. Canu, D. Fourdrinier et al. // International Statistical Review. – 2014. – Vol. 82 (3). – P. 422–439. DOI: 10.1111/insr.12052
DOI: http://dx.doi.org/10.14529/ctcr210304
Ссылки
- На текущий момент ссылки отсутствуют.