Краткосрочное прогнозирование почасовых цен на электроэнергию (пример)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Постановка задачи)
(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: <br />
+
Временным рядом называется последовательность измерений некоторой величины через фиксированные промежутки времени: <br /> <br />
-
<tex>$\{x_1, x_2, \ldots, x_{N}\}.$</tex><br />
+
<tex>$\{x_1, x_2, \ldots, x_{N}\}.$</tex><br /><br />
-
Требуется предсказать следующие <tex>$K$</tex> значений последовательности: <br />
+
Требуется предсказать следующие <tex>$K$</tex> значений последовательности: <br /><br />
-
<tex>$\{x_{N+1}, x_{N+2}, \ldots, x_{N+K}\}.$</tex><br />
+
<tex>$\{x_{N+1}, x_{N+2}, \ldots, x_{N+K}\}.$</tex><br /><br />
-
Рассматриваемый временной ряд имеет периодическую составляющую с периодом <tex>$T$</tex>, на который и будет производиться прогноз: <br />
+
Рассматриваемый временной ряд имеет периодическую составляющую с периодом <tex>$T$</tex>, на который и будет производиться прогноз: <br /><br />
-
<tex>$\{x_{N+1}, x_{N+2}, \ldots, x_{N+T}\}.$</tex><br />
+
<tex>$\{x_{N+1}, x_{N+2}, \ldots, x_{N+T}\}.$</tex><br /><br />
-
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: <br />
+
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: <br /><br />
-
<tex>$S = \sum\limits_{i=1}^{T}|\tilde x_i-x_i|^2,$</tex><br />
+
<tex>$S = \sum\limits_{i=1}^{T}|\tilde x_i-x_i|^2,$</tex><br /><br />
<tex>$i = 1,\ldots, T$</tex>, где <tex>$\tilde x_i$</tex> - прогнозируемое значение <tex>$i$</tex>, <tex>$x_i$</tex> --- фактическое значение.
<tex>$i = 1,\ldots, T$</tex>, где <tex>$\tilde x_i$</tex> - прогнозируемое значение <tex>$i$</tex>, <tex>$x_i$</tex> --- фактическое значение.

Версия 20:34, 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:

$\{x_1, x_2, \ldots, x_{N}\}.$

Требуется предсказать следующие $K$ значений последовательности:

$\{x_{N+1}, x_{N+2}, \ldots, x_{N+K}\}.$

Рассматриваемый временной ряд имеет периодическую составляющую с периодом $T$, на который и будет производиться прогноз:

$\{x_{N+1}, x_{N+2}, \ldots, x_{N+T}\}.$

Для контроля качества алгоритма прогноза будем выделять во временном ряде $T$ последовательных значений (контрольную выборку), которые алгоритм будет прогнозировать по всем предыдущим значениям. В качестве критерия качества прогноза будем использовать следующий функционал:

$S = \sum\limits_{i=1}^{T}|\tilde x_i-x_i|^2,$

$i = 1,\ldots, T$, где $\tilde x_i$ - прогнозируемое значение $i$, $x_i$ --- 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.
Студент: Илья Фадеев
Преподаватель: В.В.Стрижов
Срок: 24 декабря 2010

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.

Личные инструменты