Сравнение временных рядов при авторегрессионном прогнозе (пример)

Материал из MachineLearning.

Версия от 00:02, 9 декабря 2010; Romanenko (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Содержание

1 Аннотация
2 Постановка задачи
3 Алгоритм
4 Вычислительный эксперимент
5 Исходный код
6 Смотри также
7 Литература

Аннотация

Временным рядом называется последовательность упорядоченных по времени значений некоторой вещественной переменной $\mathbf{x}=\{x_{t}\}_{t=1}^T\in\mathbb{R}^T$ . Элемент последовательности называется отсчетом временного ряда.

Задача авто регрессионного прогноза заключается в нахождении модели $f(\mathbf{x}, \mathbf{w})$ , где $\mathbf{w}\in\mathbb{R}^M$ вектор параметров модели, которая наилучшим образом приближает следущее значение временного ряда $x_{T+1}:\widehat{x}_{T+1}=f(\mathbf{x}, \mathbf{w})$ . Свертка временного ряда возникает в случае существования на множестве подпоследовательностей временного ряда некоторого инварианта. Примером инварианта является период временного ряда, который физически может означать сезонность в данных. При этом построенная модель должна учитывать наличие инварианта и сохранять данное свойство для ряда прогнозов: $\{\widehat{x}_{t}\}_{t=1}^T\in\mathbb{R}^T$ .

Постановка задачи

Пусть задан временной ряд $\mathbf{x}=\{x_{t}\}_{t=1}^T\in\mathbb{R}^T$ . Предполагается, что отсчеты $t=1,\dots, T$ были сделаны через равные промежутки времени, и период временного ряда равен $p$ , при этом ${T}+1=p\cdot{n}$ , где $n\in\mathbb{N}$ . Требуется спрогнозировать следующий отсчет временного ряда $x_{T+1}$ .

Построим матрицу $n\times{p}$ $\left( \begin{array}{l|cc} x_{T+1} & x_{T} & \ldots & x_{T+1-(p-1)} \\ x_{(n-1)p} & x_{(n-1)p-1} & \ldots & x_{(n-1)p-(p-1)} \\ \vdots & \vdots & \ddots & \vdots \\ x_{p} & x_{p-1} & \ldots & x_1 \\ \end{array} \right)$ .

Модель имеет вид $\widehat{x}_{kp} = f \left (\{x_{kp-1},\dots,x_{kp-(p-1)}\}, \mathbf{w}\right)= \sum_{i=1}^u{\sum_{j=1}^{p-1}{\phi^i(x_{kp-j})\cdot{w_j^i}}$ , где $1\leq{k}\leq{n-1}$ , а $\{\phi_i\}_{i=1}^u-$ набор порождающих функций.

Алгоритм

В терминах поставленной задачи следует решить следующую задачу оптимизации: $||\mathbf{y}- \mathbf{X}\mathbf{w}||_2\rightarrow\min_{\mathbf{w}}$ , где $\left( \begin{array}{l|ccccc} x_{(n-1)p} & \phi^1(x_{(n-1)p-1})&\dots &\phi^u(x_{(n-1)p-1})& \ldots & \phi^u(x_{(n-1)p-(p-1)}) \\ \vdots & \vdots & \ddots & \vdots & \ddots & \vdots \\ x_{p} & \phi^1(x_{p-1})&\dots &\phi^u(x_{p-1})& \ldots & \phi^u(x_{1}) \\ \end{array} \right)= \left( \begin{array}{l|l} \mathbf{y} & \mathbf{X} \end{array} \right).$ Если зафиксировать набор порождающих функций $\{\phi_i\}_{i=1}^u-$ , то возникает задача линейной регрессии, которую можно решать несколькими способами. Так как за счет большого количества порождающих функций у нас появится огромное количество признаков то наиболее подходящими будут методы, проводящие отбор признаков: гребневая регрессия, лассо, шаговая регрессия, метод наименьших узлов (ЛАРС).