Інтелектуальна обробка даних. ЛР №7: Задачі прогнозування
МІНІСТЕРСТВО ОСВІТИ ТА НАУКИ УКРАЇНИ
НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ “ЛЬВІВСЬКА ПОЛІТЕХНІКА”
“Задачі прогнозування”
Методичні вказівки
до лабораторної роботи №7
з курсу “ Інтелектуальна обробка даних. ”
для студентів напрямку
8.05010103, 7.05010103“Системне проектування”
Затверджено
на засіданні кафедри “Системи автоматизованого проектування” Протокол № 1 від 22.08.2011
Львів 2011
«Задачі прогнозування». Методичні вказівки до виконання лабораторної роботи №7 з курсу: “Інтелектуальна обробка даних” для 8.05010103, 7.05010103“Системне проектування”.
Укладачі: Керницький А.Б., др.інж, доц.
Денисюк П.Ю., канд.техн.наук, доц.
Мельник М.Р., канд.техн.наук, доц.
Відповідальний за випуск: Ткаченко С.П., канд.техн.наук, доц.
Рецензенти: Каркульовський В.І., канд.техн.наук, доц.
Яковина В.С., канд.фіз.-мат.наук, доц.
1. Мета роботи
Програмно реалізувати та дослідити методи прогнозування часових рядів.
2.Короткі теоретичні відомості
Задачі прогнозування вирішуються в найрізноманітніших областях людської діяльності, таких як наука, економіка, виробництво та ін. Прогнозування є важливим елементом організації управління як окремими господарюючими суб'єктами, так і економіки в цілому.
Розвиток методів прогнозування безпосередньо пов'язаний з розвитком інформаційних технологій, зокрема, із зростанням об'ємів даних, що зберігаються, і ускладненням методів і алгоритмів прогнозування, реалізованих в інструментах Data Mining. Завдання прогнозування може вважатися одним з найбільш складних завдань Data Mining, воно вимагає ретельного дослідження початкового набору даних і методів для аналізу. Прогнозування (від грецького Prognosis), в широкому розумінні цього слова, визначається як випереджаюче віддзеркалення майбутнього. Метою прогнозування є прогноз майбутніх подій.
Прогнозування (forecasting) є одним із завдань Data Mining і одночасно одним з ключових моментів при прийнятті рішень.
Прогностика (prognostics) - теорія і практика прогнозування.
Прогнозування направлене на визначення тенденцій динаміки конкретного об'єкту або події на основі ретроспективних даних, тобто аналізу його стану у минулому і теперішньому. Таким чином, рішення задачі прогнозування вимагає деякої навчальної вибірки даних.
Прогнозування - встановлення функціональної залежності між залежними і незалежними змінними.
Приклади завдань прогнозування, прогноз руху грошових коштів, прогнозування
врожайності агрокультури, прогнозування фінансової стійкості підприємства.
Типовим у сфері маркетингу є завдання прогнозування ринків (market forecasting). В
результаті рішення даної задачі оцінюються перспективи розвитку кон'юнктури певного
ринку, зміни ринкових умов на майбутні періоди, визначаються тенденції ринку
(структурні зміни, потреби покупців, зміни цін).
Зазвичай в цій області вирішуються наступні практичні завдання,
прогноз продажів товарів (наприклад, з метою визначення норми товарного запасу);
прогнозування продажів товарів;
прогноз продажу залежно від зовнішніх чинників.
Окрім економічної і фінансової сфери, завдання прогнозування існують в найрізноманітніших областях, медицині, фармакології; популярним зараз стає політичне прогнозування.
У найзагальніших рисах рішення задачі прогнозування зводиться до вирішення таких підзадач,
вибір моделі прогнозування;
аналіз адекватності і точності побудованого прогнозу.
Основою для прогнозування служить історична інформація, що зберігається в базі даних у вигляді часових рядів.
Часовий ряд - це послідовність значень якогось признаку, для якого ведуться спостереження , що впорядковані у не випадкові моменти часу.
Приведемо дві ключові різниці між часовим рядом від звичайної послідовності спостережень,
члени часового ряду на відміну від елементів часової вибірки не є статистично незалежними;
члени часового ряду не є однаково розподілені.
Відмінністю аналізу часових рядів від аналізу випадкових вибірок є припущення про рівні частини часу між спостереженнями і їх хронологічний порядок. Прив'язка спостережень до часу відіграє тут ключову роль, тоді як при аналізі випадкової вибірки час не має жодного значення.
Типовий приклад часового ряду - дані торгів на біржі. Інформація, що зберігається у різноманітних базах даних є часовими рядами, якщо вона розміщена у хронологічному порядку і відображена у послідовні моменти часу. Аналіз часового ряду здійснюється з ціллю:
визначення природи ряду;
прогноз майбутніх значень ряду.
Основними складовими часового ряду є тренд і сезонна компонента. Тренд це систематична компонента часового ряду, що може змінюватись з часом. Це не випадкова функція, що формується під дією загальних часових тенденцій, що впливають на часовий ряд. Прикладом тенденцій може виступати, наприклад, фактор росту досліджуваного ринку. Автоматичного способу визначення трендів не існує. Але якщо часовий ряд включає монотонний тренд(тобто помітне його стійке зростання чи стійке спадання), аналізувати часовий ряд у більшості випадків не складно. Сезонна компонента це компонента, що періодично повторюється. Властивість сезонності означає, що через приблизно рівні проміжки часу форма кривої, яка описує поведінку залежної змінної, повторяє свої характерні риси. Властивість сезонності є важливим при визначені кількості ретроспективних даних, які будуть використовуватись для прогнозування. До недавнього часу (середини 80-х років минулого століття) існувало декілька загальновизнаних методів прогнозування:
Економетричні
Регресійні
Методи Бокса-дженкинса (ARIMA, ARMA)
Проте, починаючи з кінця 80-х років, у науковій літературі були опубліковані ряд статей з нейромережної тематики, в яких був приведений ефективний алгоритм навчання нейронних мереж і доведена можливість їх використання для найширшого кола завдань. Частково із-за відносної складності і недетермінованості нейронних мереж і генетичних алгоритмів, ці технології не відразу вийшли за рамки чистого наукового застосування. Проте, з часом рівень довіри до нових технологій підвищувався і з боку бізнесу. В даний час можна з упевненістю сказати, що використання нейронних мереж при прогнозуванні дає відчутну перевагу в порівнянні з простішими статистичними методами.