- •Предисловие
- •Введение
- •1. Роль и место прогнозирования при обосновании направления развития систем
- •1.1. Классификация методов прогнозирования
- •1.2. Краткая характеристика методов прогнозирования
- •1.3. Виды прогнозов. Основные термины и определения прогностики
- •2. Прогнозная экстраполяция. Оценка параметров прогнозных моделей методом наименьших квадратов. Точность и достоверность прогноза
- •2.1. Оценка параметров прогнозной модели методом наименьших квадратов
- •2.2. Точность и достоверность прогноза
- •3. Уравнения линеаризуемых трендов и трендов, сводящихся к модифицированной экспоненте
- •3.1. Парные регрессии, сводящиеся к линейному тренду
- •3.2. Парные регрессии, сводящиеся к модифицированной экспоненте
- •3.3. Выбор оптимального вида прогнозной модели
- •3.4. Проверка прогнозной модели на автокорреляцию ошибок
- •4. Многомерное параметрическое прогнозирование. Метод многомерной линейной экстраполяции
- •5. Метод экспоненциального сглаживания. Выбор постоянной сглаживания
- •5.1. Сущность метода экспоненциального сглаживания
- •5.2. Определение параметров прогнозной модели методом экспоненциального сглаживания
- •5.3. Выбор начальных условий и определение постоянной сглаживания
- •6. Вероятностные методы прогнозирования
- •6.1. Приложение теории суммирования случайного числа независимых случайных величин в задачах прогнозирования
- •6.2. Ориентированный процесс случайного блуждания как метод вероятностного моделирования
- •7. Математические модели процессов эволюционного развития техники
- •7.1. Математическое моделирование процессов развития техники
- •7.2. Прогнозная математическая модель динамики замещения
- •8. Экспертные методы прогнозирования. Морфологический анализ. Прогнозирование технического облика образца изделия
- •8.1. Морфологический анализ
- •8.2. Прогнозирование технического облика перспективного образца
- •8.3. Другие методы экспертного прогнозирования
- •3. Метод «мозговой атаки» («мозгового штурма»).
- •9. Методы выявления «сезонной» составляющей в рядах динамики
- •9.1. Выравнивание рядом Фурье
- •9.2. Измерение колеблемости в рядах динамики
- •9.3. Выявление и измерение сезонных колебаний
- •10. Зависимость средней ошибки прогноза от периода предыстории и величины прогнозируемого периода
- •10.1. Обоснование периода упреждения
- •Заключение
- •Библиографический список
- •Предметный указатель
- •Приложение 1 Приложение 2 Квантили распределения максимального относительного отклонения
- •Приложение 3 Квантили распределения величины
- •Приложение 4 Приложение 5
- •Приложение 6 Приложение 6
- •Приложение 7
- •191186, Санкт-Петербург, ул. Миллионная, 5
5.3. Выбор начальных условий и определение постоянной сглаживания
Как следует из выражения
,
при проведении экспоненциального сглаживания необходимо знать начальное (предыдущее) значение сглаживаемой функции. В некоторых случаях за начальное значение можно взять первое наблюдение, чаще начальные условия определяются согласно выражениям (5.4) и (5.5). При этом величины , и определяются методом наименьших квадратов.
Если мы не очень доверяем выбранному начальному значению, то, взяв большое значение постоянной сглаживания через k наблюдений, мы доведем «вес» начального значения до величины , и оно будет практически забыто. Наоборот, если мы уверены в правильности выбранного начального значения и неизменности модели в течение определенного отрезка времени в будущем, может быть выбрано малым (близким к 0).
Таким образом, выбор постоянной сглаживания (или числа наблюдений в движущейся средней) предполагает принятие компромиссного решения. Обычно, как показывает практика, величина постоянной сглаживания лежит в пределах от 0,01 до 0,3.
Известно несколько переходов, позволяющих найти приближенную оценку . Первый вытекает из условия равенства скользящей и экспоненциальной средней
,
где m – число наблюдений в интервале сглаживания. Остальные подходы связываются с точностью прогноза.
Так, возможно определение исходя из соотношения Мейера:
,
где – среднеквадратическая ошибка модели;
– среднеквадратическая ошибка исходного ряда.
Однако использование последнего соотношения затруднено тем, что достоверно определить и из исходной информации весьма сложно.
Часто параметр сглаживания, а заодно и коэффициенты и подбирают оптимальными в зависимости от критерия
путем решения алгебраической системы уравнений, которую получают, приравнивая к нулю производные
; ; .
Так, для линейной модели прогнозирования исходный критерий равен
.
Решение этой системы с помощью ЭВМ не представляет никаких сложностей.
Для обоснованного выбора также можно использовать процедуру обобщенного сглаживания, которая позволяет получить следующие соотношения, связывающие дисперсию прогноза и параметр сглаживания для линейной модели:
для квадратичной модели
,
где ; – СКО аппроксимации исходного динамического ряда.
6. Вероятностные методы прогнозирования
Часто на практике приходится иметь дело с задачей прогнозирования случайных величин, и это является предпосылкой применения вероятностных моделей. Вероятностные модели позволяют вычислить вероятность того, что будущее значение параметра прогнозируемого процесса будет меньше определенного числа, например, вероятность того, что
.
Величина y может находиться в пределах так, как в соответствии с рис. 6.1 и
Рис. 6.1. Функция распределения вероятностей
Показанная на рисунке кривая распределения непрерывной случайной величины y является графиком функции распределения . Функция распределения существует как для непрерывных, так и для дискретных случайных величин и является универсальной характеристикой случайных величин.
Зная функцию распределения, можно найти вероятность попадания случайной величины на заданный участок :
.
Для непрерывных случайных величин очень часто рассматривается
производная функции распределения
,
или плотность распределения непрерывной случайной величины y. Вероятность попадания случайной величины y на некоторый участок
.
Таким образом, прогнозирование вероятности того или иного события может быть осуществлено при прогнозировании рассмотренных функций распределения. Причем во многих практических случаях нет необходимости характеризовать случайную величину полностью, а бывает достаточно спрогнозировать только некоторые параметры распределения (например, математическое ожидание и дисперсию).
В некоторых случаях полученные в результате наблюдений за прогнозируемым процессом данные могут быть описаны широкоизвестными распределениями непрерывных и дискретных случайных величин, среди которых: нормальное распределение, равномерное распределение, экспоненциальное распределение, распределение Пуассона и некоторые другие.
Если вид и параметры названных распределений не меняются по времени и в распоряжении имеется достаточное по объему количество наблюдений, то решение задачи прогнозирования не вызывает особых затруднений. Строится эмпирическое распределение, решается вопрос о выборе для данного эмпирического распределения теоретической кривой распределения и по ней с требуемой точностью производится прогнозирование. Однако на практике, как правило, в распоряжении исследователя имеется ограниченная информация о процессе и, кроме того, не всегда можно гарантировать неизменность вида и параметров распределения. Эти условия предопределяют применение более сложных вероятностных моделей, базирующихся на последних достижениях теории вероятностей. К таким наиболее интенсивно разрабатываемым областям теории вероятностей относятся, в частности, теория малых выборок и теория суммирования случайного числа независимых случайных величин.