АЛГОРИТМЫ ИССЛЕДОВАНИЯ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ С УЧЕТОМ ОТСРОЧЕННОГО ВЛИЯНИЯ ФАКТОРОВ НА ОСНОВЕ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

УДК 681.3

И.Н. Крючкова, Е.Е. Красновский , Е.В. Болнокина, О.Я. Кравец


Исследованы модели и методы нейросетевого моделирования динамики на основе анализа многомерных временных рядов с учетом отсроченного влияния значимых факторов. В связи с невозможностью одновременного определения оптимального временного лага и обучения сети необходимо рассматривать нахождение многомерного лага как отдельную оптимизационную задачу. Изложена математическая постановка задачи построения нейросети для ненулевого запаздывания, приведено описание особенностей оптимизации величины запаздывания для одной независимой переменной (входа), конкретизирована информационная база моделирования и прогнозирования и нейросетевые алгоритмы обработки данных, проведена алгоритмизация множественного регрессионного анализа с оптимизацией вектора запаздываний для значимых факторов. Принципиальная возможность применения анализа чувствительности для нахождения оптимального многомерного временного лага была подтверждена в ходе вычислительного эксперимента. Анализ чувствительности проводился на тестовых данных, полученных расчетом значений наборов функций нескольких переменных с известным запаздыванием по некоторым переменным. Анализ ошибок обучения, обобщения и прогнозирования на исходных и смещенных рядах позволил сделать вывод о существенном снижении ошибки обучения и ошибки прогнозирования на смещенных рядах при практически неизменной ошибке обобщения, что свидетельствует об эффективности предложенного алгоритма и отсутствии структурных эффектов в изменении качества прогноза.

Ключевые слова: математическое моделирование, нейронные сети, запаздывание, прогноз.

Полный текст статьи:
KryuchkovaSoavtori_4_18_1.pdf