| Предметная область | — |
| Выходные данные | — |
| Ключевые слова | — |
| Вид публикации | Статья |
| Контактные данные автора публикации | ФИЛИПЕНКОВ Н.В.1, ПЕТРОВА М.А.2 1 САС институт, Москва 2 НИЯУ МИФИ |
| Ссылка на публикацию в интернете | elibrary.ru/item.asp?id=22923472 |
Аннотация
ЖУРНАЛ:
МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ
Издательство: Вычислительный центр им. А.А. Дородницына РАН (Москва)
ISSN: 2223-3792
КЛЮЧЕВЫЕ СЛОВА:
ВРЕМЕННЫЕ РЯДЫ, TIME SERIES, ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ, DATA MINING, МЕРА СХОДСТВА ЗАКОНОМЕРНОСТЕЙ, SIMILARITY MEASURE, ВЫЧИСЛИТЕЛЬНЫЙ АЛГОРИТМ, ALGORITHM
ИНФОРМАЦИЯ О ФИНАНСОВОЙ ПОДДЕРЖКЕ:
Работа выполнена при финансовой поддержке РФФИ, проект № 13-07-00293.
АННОТАЦИЯ:
В настоящей работе рассматривается разрабатываемый авторами подход к поиску закономерностей в пучках нестационарных k-значных временных рядов. Этот подход позволяет выявлять закономерности, которые подвергаются структурным изменениям с течением времени. Настоящая работа посвящена описанию результатов апробации разрабатываемого подхода на модельных и реальных задачах. Испытания на модельных задачах показали, что подход позволяет эффективно находить заложенные закономерности при достаточно высоком уровне шума. Эксперименты на модельных пучках временных рядов показали, что использование меры сходства закономерностей в функционале качества существенно повышает точность прогнозирования. В рамках экспериментов был получен диапазон весов, при котором достигается максимальное качество распознавания. Анализ реальных временных рядов с применением разрабатываемого алгоритма свидетельствовал об эффективности алгоритма при краткосрочном прогнозировании. Вместе с тем алгоритм решает и задачу интеллектуального анализа данных, предлагая закономерности, описывающие взаимосвязь одномерных временных рядов. Таким образом, апробация разрабатываемого подхода к прогнозированию процессов с плавно меняющимися закономерностями на модельных и реальных данных позволяет судить о достаточной эффективности разрабатываемых авторами алгоритмов при анализе пучков временных рядов с плавно меняющимися закономерностями.
ПодробнееМАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ
Издательство: Вычислительный центр им. А.А. Дородницына РАН (Москва)
ISSN: 2223-3792
КЛЮЧЕВЫЕ СЛОВА:
ВРЕМЕННЫЕ РЯДЫ, TIME SERIES, ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ, DATA MINING, МЕРА СХОДСТВА ЗАКОНОМЕРНОСТЕЙ, SIMILARITY MEASURE, ВЫЧИСЛИТЕЛЬНЫЙ АЛГОРИТМ, ALGORITHM
ИНФОРМАЦИЯ О ФИНАНСОВОЙ ПОДДЕРЖКЕ:
Работа выполнена при финансовой поддержке РФФИ, проект № 13-07-00293.
АННОТАЦИЯ:
В настоящей работе рассматривается разрабатываемый авторами подход к поиску закономерностей в пучках нестационарных k-значных временных рядов. Этот подход позволяет выявлять закономерности, которые подвергаются структурным изменениям с течением времени. Настоящая работа посвящена описанию результатов апробации разрабатываемого подхода на модельных и реальных задачах. Испытания на модельных задачах показали, что подход позволяет эффективно находить заложенные закономерности при достаточно высоком уровне шума. Эксперименты на модельных пучках временных рядов показали, что использование меры сходства закономерностей в функционале качества существенно повышает точность прогнозирования. В рамках экспериментов был получен диапазон весов, при котором достигается максимальное качество распознавания. Анализ реальных временных рядов с применением разрабатываемого алгоритма свидетельствовал об эффективности алгоритма при краткосрочном прогнозировании. Вместе с тем алгоритм решает и задачу интеллектуального анализа данных, предлагая закономерности, описывающие взаимосвязь одномерных временных рядов. Таким образом, апробация разрабатываемого подхода к прогнозированию процессов с плавно меняющимися закономерностями на модельных и реальных данных позволяет судить о достаточной эффективности разрабатываемых авторами алгоритмов при анализе пучков временных рядов с плавно меняющимися закономерностями.
Для того чтобы оставить комментарий необходимо авторизоваться.