ПРОГНОЗУВАННЯ НА ОСНОВІ НОВОСТНОГО ПОТОКУ ПОСЕРЕДНИЦТВОМ АСОЦІАТИВНИХ ПРАВИЛ
DOI:
https://doi.org/10.20998/2413-4295.2020.02.08Ключові слова:
цінове прогнозування, ARIMA, експоненціальне згладжування, асоціативні правилаАнотація
У динамічно мінливому ринковому середовищі актуальним є вирішення проблеми прогнозування даних, представлених у вигляді часових рядів, зокрема, прогнозування цін. Серед існуючих методів вирішення задачі цінового прогнозування найбільшого поширення набули методи математичної статистики, зокрема експоненціального згладжування і авторегресійні моделі. Для цих методів характерно, що прогнозування здійснюється на основі значень ціни продукту, при цьому чинники, що впливають на формування ціни, включається в прогноз опосередковано через історичні цінові значення, що негативно позначається на якості прогнозу, оскільки різні набори зовнішніх і внутрішніх факторів можуть призводити до однакового значенням цени. Точность прогнозів може бути підвищена як за рахунок оптимізації алгоритму прогнозу на основі асоціативних правил, так і за рахунок оптимізації методів ідентифікації подій в овостном потоці. Експериментально підтверджено перевагу методів цінового прогнозування на основі новинного потоку за допомогою асоціативних правил над регресійний методами. Обґрунтовано, що його застосування доцільно в тих випадках, коли необхідна максимальна точність прогнозів, тому що сумарні витрати на прогноз, включаючи формування безлічі асоціативних правил, значно більше, ніж для регресійних методов. Рассмотрени методи короткострокового цінового прогнозування на прикладі ринку полімерів, які можуть бути застосовані до ринку електроенергетики.
Посилання
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.
##submission.downloads##
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Енергозбереження. Енергетика. Енергоаудит.
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами: Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи, яка через [6 місяців] з дати публікації автоматично стає доступною на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).