Ідентифікація змінних параметрів моделі для побудови алгоритму прогнозування

Abstract

Методи аналізу та управління системами в умовах ризику і невизначеності

Запропоновано підхід до ідентифікації математичного сподiвання прискорення змiни значень вибiрки даних, що змінюється за невідомим законом. Розроблено метод оцінювання математичного сподiвання прискорення змiни значень вибiрки даних, який використано для побудови алгоритму прогнозування на основі фільтра Калмана. Виконано імітаційне моделювання, яке показало ефективність запропонованого підходу. За даними щодо середньодобових цін Лондонської біржі металів на свинець побудовано модель за алгоритмом прогнозування на основі фільтра Калмана, а також моделі авторегресії, авторегресії з ковзним середнім та виконано за ними прогнозування. Порівняльний аналіз розглянутих моделей за значеннями прогнозних характеристик показав перевагу алгоритму прогнозування на основі фільтра Калмана.

Предложен подход к идентификации математического ожидания ускорения изменения значений выборки данных, которое изменяется по неизвестному закону. Разработан метод оценивания математического ожидания ускорения изменения значений выборки данных, который использован для построения алгоритма прогнозирования на основе фильтра Калмана. Выполнено имитационное моделирование, которое показало эффективность предложенного подхода. По данным о среднедневных ценах Лондонской биржи металлов на свинец построена модель по алгоритму прогнозирования на основе фильтра Калмана, а также модели авторегрессии, авторегрегрессии со скользящим средним и выполнено по ним прогнозирование. Сравнительный анализ рассмотренных моделей по значениям прогнозных характеристик показал преимущество алгоритма прогнозирования на основе фильтра Калмана.

An approach to identification of the mathematical expectation of acceleration of values change of data samples, which varies according to an unknown law, is presented in this article. An estimation method of mathematical expectation of values acceleration of change of data samples is developed, which is used to construct a forecasting algorithm based on the Kalman filter. An imitation modeling was performed, which showed the effectiveness of the suggested approach. The forecasting algorithm model based on the Kalman filter, autoregressive model and autoregressive moving average model are constructed using the daily average of the lead prices on the London Metal Exchange, and forecasting is done on the same data set. A comparative analysis of presented models, using the characteristics of forecasting values showed the advantage of the forecasting algorithm based on the Kalman filter.