DOI: https://doi.org/10.20998/2413-4295.2020.02.08

ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ НОВОСТНОГО ПОТОКА ПОСРЕДСТВОМ АССОЦИАТИВНЫХ ПРАВИЛ

Igor Cherenkov

Аннотация


В динамически меняющейся рыночной среде актуальным является решение проблемы прогнозирования данных, представленных в виде временных рядов, в частности, прогнозирования цен. Среди существующих методов решения задачи ценового прогнозирования наибольшее распространение получили методы математической статистики, в частности экспоненциального сглаживания и авторегрессионные модели. Для этих методов характерно, что прогнозирование осуществляется на основе значений цены продукта, при этом факторы, влияющие на формирование цены, включается в прогноз опосредственно через исторические ценовые значения, что негативно сказывается на качестве прогноза, поскольку разные наборы внешних и внутренних факторов могут приводить к одинаковому значению цены.Точность прогнозов может быть повышена как за счёт оптимизации алгоритма прогноза на основе ассоциативных правил, так и за счёт оптимизации методов идентификации событий в новостном потоке. Экспериментально подтверждено превосходство методов ценового прогнозирования на основе новостного потока посредством ассоциативных правил над регрессионными методами. Обосновано, что его применение целесообразно в тех случаях, когда необходима максимальная точность прогнозов, т.к. суммарные затраты на прогноз, включая формирование множества ассоциативных правил, значительно больше, чем для регрессионных методов. Рассмотрены методы краткосрочного ценового прогнозирования на примере рынка полимеров, которые могут быть применены к рынку электроэнергетики.


Ключевые слова


ценовое прогнозирования; ARIMA; экспоненциальное сглаживание; ассоциативные правила

Полный текст:

PDF

Литература


Afanasj'ev V. N. Analyz vremennыkh rjadov y proghnozyrovanye / V. N. Afanasj'ev, M. M. Juzbashev // M. – Ynfra-M, 2010. – 320 s.

Kerymov A. K. Analyz y proghnozyrovanye vremennыkh rjadov / A. K. Kerymov // Yzdateljstvo Rossyjskogho Unyversyteta druzhbы narodov: M. – 2005. – 140 s.

Cherenkov Y. A. Avtomatycheskyj poysk dannыkh yz novostej na prymere rыnka polymerov / Y. A. Cherenkov // Systemы obrabotky ynformacyy: Kharjkov. – 2011. – # 8. – S. 156 – 159.

Zaki M. Spade: an Efficient Algorithm for Mining Frequent Sequences / M. Zaki // Machine Learning.: Kluwer Academic Publishers. – 2001. – Vol. 42. – P. 31 – 60.


Пристатейная библиография ГОСТ


  1. Афанасьев В. Н. Анализ временных рядов и прогнозирование / В. Н. Афанасьев, М. М. Юзбашев // М. – Инфра-М, 2010. – 320 с.
  2. Керимов А. К. Анализ и прогнозирование временных рядов / А. К. Керимов // Издательство Российского Университета дружбы народов: М. – 2005. – 140 с.
  3. Черенков И. А. Автоматический поиск данных из новостей на примере рынка полимеров / И. А. Черенков // Системы обработки информации: Харьков. – 2011. – № 8. – С. 156 – 159.
  4. Zaki M. Spade: an Efficient Algorithm for Mining Frequent Sequences / М. Zaki // Machine Learning.: Kluwer Academic Publishers. – 2001. – Vol. 42. – P. 31 – 60.




Copyright (c) 2020 Энергосбережение. Энергетика. Энергоаудит.

Creative Commons License
Эта работа лицензирована Creative Commons Attribution-NonCommercial 4.0 International License.

Энергосбережение. Энергетика. Энергоаудит.

адрес: ул. Мироносицкая, 60, г. Харьков, Украина, 61002. e-mail: 

       journeee@mail.ru;  sveco_ltd@rambler.ru;   сайт:eee.khpi.edu.ua 

Телефон: +38 057 703-23-18; факс: +38 057 714-94-51.

Яндекс.Метрика