Анализ индуктивного метода прогнозирования временных рядов и поиск мета-характеристик для улучшения его репрезентативности
В диссертации рассматривается программная платформа, предназначенная для анализа временных рядов. Изучаются мета-характеристики, присутствующие и отсутствующие в данной программной платформе. В работе выявлены репрезентативные мета-характеристики для увеличения точности программной платформы. Полученные результаты позволяют увеличить базу мета-характеристик временного ряда, а также улучшить качество прогнозирования.
Введение …………………………………………………………………………………………………………………………… 15
1. Предметная область …………………………………………………………………………………………………….. 17
1.1. Временной ряд ………………………………………………………………………………………………………… 17
1.2. Прогнозирование временных рядов ………………………………………………………………………….. 18
1.3. Интеллектуальный анализ данных …………………………………………………………………………….. 20
2. Обзор программной платформы …………………………………………………………………………………… 23
2.1. Общие сведения ………………………………………………………………………………………………………. 23
2.2. База мета-характеристик …………………………………………………………………………………………… 23
2.3. Постановка задачи добавления мета – характеристик ………………………………………………….. 24
3. Метод группового учета аргументов ……………………………………………………………………………… 28
3.1. Описание…………………………………………………………………………………………………………………. 28
3.2. Применение в платформе …………………………………………………………………………………………. 29
4. Chaos ………………………………………………………………………………………………………………………….. 31
4.1. Экспонента Ляпунова ……………………………………………………………………………………………….. 31
4.2. Алгоритм …………………………………………………………………………………………………………………. 32
4.3. Допущения ………………………………………………………………………………………………………………. 33
4.4. Результаты тестов …………………………………………………………………………………………………….. 33
5. Discontinuity ………………………………………………………………………………………………………………… 36
5.1. Коэффициент Херста …………………………………………………………………………………………………. 36
5.2. Алгоритм …………………………………………………………………………………………………………………. 37
5.3. Результаты тестов …………………………………………………………………………………………………….. 37
6. Noise Influence …………………………………………………………………………………………………………….. 40
6.1. SSA ………………………………………………………………………………………………………………………….. 40
6.2. Алгоритм …………………………………………………………………………………………………………………. 41
6.3. Допущения ………………………………………………………………………………………………………………. 42
6.4. Результаты тестов …………………………………………………………………………………………………….. 42
7. Питон …………………………………………………………………………………………………………………………. 44
7.1. Перенос на Питон …………………………………………………………………………………………………….. 44
7.2. Functional and Pythonic way ……………………………………………………………………………………….. 45
8. Шум-устойчивость ……………………………………………………………………………………………………….. 47
8.1. Шум-устойчивость модуля Discontinuity ……………………………………………………………………… 47
8.2. Шум-устойчивость модуля Noise Influence ………………………………………………………………….. 48
8.3. Шум-устойчивость модуля Chaos ……………………………………………………………………………….. 49
9. Финансовый менеджмент, ресурс эффективность и ресурсосбережение ………………………….. 50
9.1. Потенциальные потребители результатов исследования ……………………………………………… 50
9.1.1. Анализ конкурентных технических решений с позиции ресурс эффективности и
ресурсосбережения ……………………………………………………………………………………………………………. 51
9.1.2. FAST-анализ ………………………………………………………………………………………………………….. 54
9.1.3. Диаграмма Исикава ………………………………………………………………………………………………. 56
9.1.4. Технология Quad …………………………………………………………………………………………………… 57
9.1.5. SWOT анализ ………………………………………………………………………………………………………… 60
9.2. Планирование управления научно-техническим проектом…………………………………………… 62
9.2.1. Структура работ в рамках научного исследования ……………………………………………………. 62
9.2.2 Продолжительность этапов работ…………………………………………………………………………… 63
9.3 Определение ресурсной (ресурсосберегающей), финансовой, бюджетной, социальной и
экономической эффективности исследования ………………………………………………………………………. 74
10 Социальная ответственность ……………………………………………………………………………………… 78
10.1 Производственная безопасность ……………………………………………………………………………….. 78
10.1.1 Повышенный уровень электромагнитных излучений; повышенная напряжённость
электрического поля …………………………………………………………………………………………………………… 79
10.1.2 Электрический ток (источник: ПК) …………………………………………………………………………… 81
10.2 Экологическая безопасность ……………………………………………………………………………………… 82
10.2.1 Анализ воздействия на окружающую среду …………………………………………………………….. 82
10.3 Безопасность в чрезвычайных ситуациях ……………………………………………………………………. 83
10.3.1 Пожарная безопасность ………………………………………………………………………………………… 83
10.4 Правовые и организационные вопросы обеспечения безопасности ……………………………… 85
10.4.1 Организационные мероприятия обеспечения безопасности …………………………………….. 85
10.4.2 Правовые мероприятия обеспечения безопасности …………………………………………………. 86
Заключение ……………………………………………………………………………………………………………………….. 89
Список использованных источников …………………………………………………………………………………….. 90
Во многих областях жизни человека присутствуют процессы, которые
возможно наблюдать и отслеживать во времени. Одновременно с этим
возникает задача прогнозирования поведения процесса. Однако, при
существовании большого количества методов прогнозирования временных
рядов, хорошо проявляющих себя на одних типах процессов и плохо
прогнозирующих на других, отсутствуют средства автоматического
определения наилучшего алгоритма для прогнозирования определенного
процесса. На данный момент эта задача лежит на экспертах, что является
сильно затратным и не автоматизированным решением.
Орловым Андреем Александровичем, сотрудником компании
Econophysica, была разработана программная платформа, предназначенная
для исследования и прогнозирования временных рядов, связанных с
финансами.
Econophysica – международная компания, которая оказывает услуги
крупнейшим мировым игрокам сферы финансовых и банковских услуг.
Область специализации компании – разработка и валидация сложных
математических моделей, алгоритмов и программных продуктов для
финансовой сферы, поддерживающих комплексные финансовые инструменты
и предоставляющих глубокие возможности для анализа состояния портфеля и
оценки рисков.
Программная платформа представляет собой комплекс моделей,
алгоритмов и программ интеллектуального анализа данных, реализующий
подход мета-обучения и основанный на методе группового учета аргументов.
В ходе тестирования программной платформы ее автором было
выявлено, что при вычислении мета-характеристик временных рядов частично
теряется информация об периоде и шуме исследуемого временного ряда.
Исходя из этого и появляется задача поиска новых мета-характеристик для
улучшения репрезентативности программной платформы.
В данной работе приводится обзор таких понятий, как временной ряд,
интеллектуальный анализ данных и метод группового учета аргументов,
дается краткий обзор вышеупомянутой программной платформы,
демонстрируются мета-характеристики, уже реализованные в платформе, а
также приведены мета-характеристики, выбранные для расширения
платформы.
Также в отчете приведены результаты проверки модулей на
устойчивость к шуму и перенос модулей на язык программирования Python.
1. Предметная область
1.1. Временной ряд
Временной ряд представляет собой набор статистических данных,
отображающих исследуемый процесс и привязанных ко времени. Каждый
элемент этих данных называют измерением, либо уровнем относительно
определенного момента времени. Исходя из этого, порядок элементов во
временном ряду имеет важное значение. В этом и заключается существенное
отличие временного ряда от простой выборки данных.
Так как временные ряды представляют собой набор двух элементов, а
именно:
В данном отчете была рассмотрена программная платформа,
представляющая собой комплекс моделей, алгоритмов и программ
интеллектуального анализа данных, реализующий подход мета-обучения и
основанный на методе группового учета аргументов.
Также были изучены подходы к прогнозированию временных рядов,
теоретические основы Data mining. Был рассмотрен алгоритм МГУА и его
применения для прогнозирования.
Для улучшения репрезентативности программной платформы был
проведен поиск, изучение и анализ мета-характеристик, не присутствующих в
программной платформе, но являющихся перспективными для расширения
платформы. В итоге был подобран ряд перспективных мета-характеристик,
которые были реализованы для улучшения репрезентативности результатов
работы программной платформы.
Также реализованные модули были протестированы на устойчивость к
зашумленности временного ряда и показали хорошие результаты. К тому же,
исходя из планируемого переноса платформы на Python, модули были
перенесены на язык программирования Python.
Была проведена работа по оценке ресурсоэффективности, в результате
чего был сделан вывод о высокой эффективности решения, в отличии от
конкурирующих.
Был проведен анализ решения по социальной ответственности, в
результате чего были вынесены правила применения решения на предприятии
и подчеркнуто, что решение не несет собой никакой опасности для экологии.
1. An Introductory Study on Time Series Modeling and Forecasting: Basic
Concepts of Time Series Modeling / Ratnadip Adhikari, R. K. Agrawal –
P. 12-29.
2. Time-series forecasting / Chris Chatfield – P. 10-55.
3. Data Mining: Concepts and Techniques. Third Edition / Jiawei Han,
Micheline Kamber, Jian Pe – P. 5-32.
4. Модели, алгоритмы и программная платформа для реализации мета-
обучения на основе метода группового учета аргументов / Орлов А.А. –
C. 101-164
5. Datasets meta-features description for recommending feature selection
algorithm / Andrey Filchenkov, Arseniy Pendryak – P. 13-17
6. The development of self-organization techniques in modelling: a review of
the group method of data handling (GMDH) / L. Anastasakis, N. Mort –
P. 2-27.
7. Нейросетевые методы обработки хаотических процессов / В. А. Головко
– C. 45-87.
8. Методы Ляпунова и их применение. / Зубов В. И. – Изд-во ЛГУ, 1957.
9. Hurst exponent and financial market predictability / Bo Qian, Khaled Rasheed
– P. 2-8.
10. Показатель Хёрста и его скрытые свойства // Ю. А. Калуш, В. М.
Логинов – Сибирский журнал индустриальной математики 2002.—
С. 29-37.
11. Singular Spectrum Analysis for Time Series / Nina E. Golyandina, Anatoly
Zhigljavsky – P. 11-30.
12. Метод «Гусеница» – SSA: Анализ временных рядов / Н. Э. Голяндина –
С. 5-54.
13. Hurst parameter estimate [Электронный ресурс] / Chu Chen – URL:
https://www.mathworks.com/matlabcentral/fileexchange/19148-hurst-
parameter-estimate, свободный – Дата обращения: 06.06.2018
14. Lyapunov exponent estimation from a time series. [Электронный ресурс] /
Alan Wolf – URL: https:// www.mathworks.com/matlabcentral/fileexchange/
48084-lyapunov-exponent-estimation-from-a-time-series-documentation-
added, свободный – Дата обращения: 06.06.2018
15. Nonlinear measures for dynamical systems (based on one-dimensional time
series) [Электронныйресурс] / Christopher Schölzel -URL:
https://pypi.python.org /pypi/nolds/0.4.1, свободный – Дата обращения:
06.06.2018
16. Парадигма программирования: курс лекций / Л. В. Городняя ; Новосиб.
гос. ун-т. – Новосибирск : РИЦ НГУ, 2015. – 206 с.
17. Основы функционального программирования / Л. В. Городняя – С. 3-60.
18. Динамический хаос (курс лекций): Лекция 3. Система Лоренца; Лекция
4. Динамика системы Лоренца. / Кузнецов С. П. – М.: Физматлит, 2001.
19. ГОСТ 12.0.003-74. ССБТ. Опасные и вредные производственные
факторы. Классификация.
20. ГОСТ 12.1.045–84 ССБТ. Электростатические поля. Допустимые уровни
на рабочих местах и требования к проведению контроля.
21. ГОСТ 12.1.038–82 ССБТ. Электробезопасность. Предельно допустимые
уровни напряжений прикосновения и токов.
22. ГОСТ 12.1.010-76 ССБТ. Взрывобезопасность. Общие требования.
23. ГОСТ 12.1.004-91 ССБТ. Пожарная безопасность. Общие требования.
24. СанПиН 2.2.2/2.4.1340–03. Санитарно-эпидемиологические правила и
нормативы «Гигиенические требования к персональным электронно-
вычислительным машинам и организации работы».
25. Приказ Минздравсоцразвития РФ от 13.08.2009 N 588н.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.9 (20 отзывов)
4.1 (20 отзывов)
4.8 (373 отзыва)
4.9 (37 отзывов)
4.7 (96 отзывов)
5 (91 отзыв)
4.8 (30 отзывов)
4.7 (18 отзывов)
4.9 (298 отзывов)
