89 Формальные методы прогнозирования, особенности их применения, преимущества и недостатки.

Формальные: метод экстраполяции, метод регрессии и корреляции, моделирования, балансовый метод, методы использующие принцип аналогии, м-ды исполь-ие принцип адаптации и самоорганизации.

преимущества:

• Хорошие результаты для краткосрочных прогнозов

• Большое количество прогнозируемых продуктов

• Легко передается опыт прогнозирования

• Прогноз легко воспроизводится

• Легко выполнять анализ влияния основных факторов на модель

Недостатки:

• Требуется сбор статистических данных за прошедший период

• Сложность отбора факторов прогнозной модели

• Сложность составления прогнозного уравнения

• Трудность прогнозирования скачка

• Трудность оценки веса данных, расположенных на разных временных сечениях, не учитывается дисконтирования информации.

Регрессии различают 2-ух видов:

• Парная (однофакторная)

• Множественная (многофакторная)

Регрессии - совокупность приемов для установления связей между независимой переменной (величиной транспортного потока) и другими факторами.

Методы регрессии:

• Линейная зависимость

• Параболическая, кубическая…

• Экспоненциальная

• Логистические модели

Авторегрессия- метод исп. Регрессионного анализа для связывания результатов наблюдения с прошлыми результатами наблюдения. Позволяет оценить степень связанности значений ТП в различные периоды времени и выявить скрытые процессы в ТП-х , выбрать модель прогнозирования.

Особенности применения:

* для уточнения и детализации дальнесрочных интуитивных прогнозов, разработки на их основе кратко- и средесрочных прогнозов;

*для прогнозного мониторинга изменения транспортных потоков.

90 Динамические методы прогнозирования. Основы методологии Бокса–Дженкинса

Динамический метод прогнозирования представляет собой модель для построения которых используется информация содержащаяся в исследовательских, временных или динамических рядах.

Для построения динам. модели не используются независимые факторы, а также временные факторы. Исследование внутренней структуры времени или динамических рядов производятся на основе автокорреляционного анализа.

Наибольший вклад в развитие теории динамических моделей внесли Бокс и Дженкинс. Обобщение работ отечественных исследователей выполнено в трудах Айвазек.

Динам. модели в настоящее время известны как класс моделей АРПСС (автокорреляционное прогнозируемое скользящее среднее- ARIMA)

Динамич. метод состоит из 2-х моделей: 1)Сезонные модели – включают 6 параметров (АРПСС(p, d, q)( p_s, d_s, q_s)); 2)Несезонные модели – содержат 3 параметра(АРПСС(p, d, q))

где p - число параметров авторегрессии,

q - число параметров скользящего среднего,

d – порядок разности, вычисляемый для приведения нестандартного ряда к стандартному виду.

Модели АРПСС содержат авторегрессионные процессы (АР), процессы скользящего среднего (СС), смешанные процессы (АРСС), процессы со взятием разности (АРПСС).

Преимущества: высокая точность прогнозирования, высокая адаптивность моделей, проверка моделей на адекватность.

Недостатки: малый период упреждения, для сезонных необходимо иметь данные за 6-10 лет, при получении новых данных большое затрачивание времени по сравнению с более простыми методами.

Основы методологии Бокса–Дженкинса:

1. Нельзя получить прогноз нулевой ошибки;

2. Колебания транспортных потоков имеют случайный характер, поэтому они должны подчиняться вероятностным законам распределения;

3. Предсказать заранее закон распределения весьма затруднительно.

65