Прогнозирование временных рядов методом SSA (пример)
Материал из MachineLearning.
(→Постановка задачи) |
(→Постановка задачи) |
||
| Строка 8: | Строка 8: | ||
== Постановка задачи == | == Постановка задачи == | ||
Наблюдается система функций дискретного аргумента {<tex>$(f_i^{(k)})_{i=1}^N$</tex>, где k = 1, ..., s}. Параметр s, таким образом, имеет смысл размерности многомерной числовой последовательности, а N - количество элементов в последовательности. Требуется разложить ряд в сумму компонент (используя метод главных компонент, см. описание алгоритма), интерпретировать каждую компоненту, и построить продолжение ряда <tex>$(f_i^{(k)})_{i=1}^{N+M}$</tex> по выбранным компонентам. | Наблюдается система функций дискретного аргумента {<tex>$(f_i^{(k)})_{i=1}^N$</tex>, где k = 1, ..., s}. Параметр s, таким образом, имеет смысл размерности многомерной числовой последовательности, а N - количество элементов в последовательности. Требуется разложить ряд в сумму компонент (используя метод главных компонент, см. описание алгоритма), интерпретировать каждую компоненту, и построить продолжение ряда <tex>$(f_i^{(k)})_{i=1}^{N+M}$</tex> по выбранным компонентам. | ||
| + | |||
| + | |||
| + | == Описание алгоритма == | ||
| + | Выберем n такое, что <tex>$0 < n \le N - 1$</tex> - время жизни многомерной гусеницы. Пусть <tex>$\sigma = N - n + 1$</tex> - длина гусеницы. Построим последовательность из n векторов в <tex>$R^{\\tau}$</tex>, <tex>$\tau = s*\sigma$</tex>, следующего вида: | ||
| + | <tex>$$Y^{(l)} \in R^\tau, Y^{(l)} = (X^{(l,1), \ldots, X^{(l,s)})^T,$</tex> | ||
Версия 10:14, 5 мая 2010
SSA (Singular Spectrum Analysis, "Гусеница") - метод анализа и прогноза временных рядов. Базовый вариант метода состоит в преобразовании одномерного ряда в многомерный с помощью однопараметрической сдвиговой процедуры (отсюда и название "Гусеница"), исследовании полученной многомерной траектории с помощью анализа главных компонент (сингулярного разложения) и восстановлении (аппроксимации) ряда по выбранным главным компонентам. Таким образом, результатом применения метода является разложение временного ряда на простые компоненты: медленные тренды, сезонные и другие периодические или колебательные составляющие, а также шумовые компоненты. Полученное разложение может служить основой прогнозирования как самого ряда, так и его отдельных составляющих. "Гусеница" допускает естественное обобщение на многомерные временные ряды, а также на случай анализа изображений. В данной статье рассмотрим вариант алгоритма, предназначенный для анализа многомерного временного ряда.
Постановка задачи
Наблюдается система функций дискретного аргумента {, где k = 1, ..., s}. Параметр s, таким образом, имеет смысл размерности многомерной числовой последовательности, а N - количество элементов в последовательности. Требуется разложить ряд в сумму компонент (используя метод главных компонент, см. описание алгоритма), интерпретировать каждую компоненту, и построить продолжение ряда
по выбранным компонентам.
Описание алгоритма
Выберем n такое, что - время жизни многомерной гусеницы. Пусть
- длина гусеницы. Построим последовательность из n векторов в
,
, следующего вида:
