Краткосрочное прогнозирование почасовых цен на электроэнергию (пример)
Материал из MachineLearning.
(Новая: В работе описывается и производится сравнение эффективности ряда алгоритмов для краткосрочного про...) |
(→Постановка задачи) |
||
Строка 1: | Строка 1: | ||
В работе описывается и производится сравнение эффективности ряда алгоритмов для краткосрочного прогнозирования цен на электроэнергию: SSA, авторегрессии, гребневой регрессии, метода наименьших углов, метода построения локальных регрессионных моделей. В вычислительном эксперименте приводятся результаты работы перечисленных алгоритмов, сравнивается точность из прогнозов. | В работе описывается и производится сравнение эффективности ряда алгоритмов для краткосрочного прогнозирования цен на электроэнергию: SSA, авторегрессии, гребневой регрессии, метода наименьших углов, метода построения локальных регрессионных моделей. В вычислительном эксперименте приводятся результаты работы перечисленных алгоритмов, сравнивается точность из прогнозов. | ||
== Постановка задачи == | == Постановка задачи == | ||
- | Временным рядом называется последовательность измерений некоторой величины через фиксированные промежутки времени: <tex> | + | Временным рядом называется последовательность измерений некоторой величины через фиксированные промежутки времени: |
- | Рассматриваемый временной ряд имеет периодическую составляющую с периодом <tex>$T$</tex>, на который и будет производиться прогноз: <tex> | + | <tex>$\{x_1, x_2, \ldots, x_{N}\}.$</tex> |
- | Для контроля качества алгоритма прогноза будем выделять во временном ряде <tex>$T$</tex> последовательных значений (контрольную выборку), которые алгоритм будет прогнозировать по всем предыдущим значениям. В качестве критерия качества прогноза будем использовать следующий функционал: <tex> | + | Требуется предсказать следующие <tex>$K$</tex> значений последовательности: |
+ | <tex>$\{x_{N+1}, x_{N+2}, \ldots, x_{N+K}\}.$</tex> | ||
+ | Рассматриваемый временной ряд имеет периодическую составляющую с периодом <tex>$T$</tex>, на который и будет производиться прогноз: | ||
+ | <tex>$\{x_{N+1}, x_{N+2}, \ldots, x_{N+T}\}.$</tex> | ||
+ | Для контроля качества алгоритма прогноза будем выделять во временном ряде <tex>$T$</tex> последовательных значений (контрольную выборку), которые алгоритм будет прогнозировать по всем предыдущим значениям. В качестве критерия качества прогноза будем использовать следующий функционал: | ||
+ | <tex>$S = \sum\limits_{i=1}^{T}|\tilde x_i-x_i|^2,$</tex> | ||
+ | <tex>$i = 1,\ldots, T$</tex>, где <tex>$\tilde x_i$</tex> - прогнозируемое значение <tex>$i$</tex>, <tex>$x_i$</tex> --- фактическое значение. | ||
+ | |||
== Пути решения задачи == | == Пути решения задачи == | ||
Не более 1/2 стр. | Не более 1/2 стр. |
Версия 20:31, 7 декабря 2010
В работе описывается и производится сравнение эффективности ряда алгоритмов для краткосрочного прогнозирования цен на электроэнергию: SSA, авторегрессии, гребневой регрессии, метода наименьших углов, метода построения локальных регрессионных моделей. В вычислительном эксперименте приводятся результаты работы перечисленных алгоритмов, сравнивается точность из прогнозов.
Содержание |
Постановка задачи
Временным рядом называется последовательность измерений некоторой величины через фиксированные промежутки времени: Требуется предсказать следующие значений последовательности: Рассматриваемый временной ряд имеет периодическую составляющую с периодом , на который и будет производиться прогноз: Для контроля качества алгоритма прогноза будем выделять во временном ряде последовательных значений (контрольную выборку), которые алгоритм будет прогнозировать по всем предыдущим значениям. В качестве критерия качества прогноза будем использовать следующий функционал: , где - прогнозируемое значение , --- фактическое значение.
Пути решения задачи
Не более 1/2 стр.
Смотри также
- [ Ссылка на текст статьи]
- [ Ссылка на код]
Литература
Данная статья является непроверенным учебным заданием.
До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}. См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |