Сглаживание - временной ряд
Cтраница 1
Сглаживание временных рядов производится различными способами. [1]
Сглаживание временных рядов методами гармонического анализа основано на использовании формул Фурье. [2]
 |
Виды регрессивных зависимостей. [3] |
Процесс сглаживания временных рядов связан с приспособлением, адаптацией модели прогноза к динамическому характеру изменения прогнозной величины. Поэтому часто модели прогноза, основанные на анализе временных рядов, называют адаптивными. [4]
При сглаживании временного ряда по экспоненте (IV.2.19) для определения параметров следует применить метод наименьших квадратов к логарифмам исходных данных. [5]
Рассмотрим методы сглаживания временных рядов, которые используются для выявления цикличности осадконакопле-ния. Сглаживание наблюденных значений временного ряда является процедурой, при помощи которой происходит разделение закономерной и случайной составляющей. Для этой цели используются метод наименьших квадратов, различные модификации метода скользящего статистического окн. [6]
 |
Сопоставление экспериментальных и расчетных данных.| Изменение значений параметров транспортируемого газа ( сплошная линия и прогнозируемых значений этих функций ( штриховая линия. [7] |
Изложенный метод использован для сглаживания исходного временного ряда при решении задач идентификации. Данная методика реализована в виде двух программ по идентификации параметров и прогнозированию внешней среды. [8]
Метод наименьших квадратов при сглаживании временных рядов можно рассматривать как некоторый вычислительный прием для получения оценки детерминированной компоненты, которая характеризует тренд изучаемого процесса. [9]
Необходимо отметить, что для сглаживания временных рядов целесообразно использовать функции, содержащие большое число параметров, так как полученные таким образом уравнения тренда ( особенно при малом числе наблюдений) будут отражать случайные колебания, а не основную тенденцию развития явления. [10]
При прогнозировании часто используют процедуру сглаживания исходного временного ряда. Это позволяет выделить тренд - регулярную составляющую временного ряда. При проведении этой процедуры полезным может оказаться знание периода исходного временного ряда, если он, конечно, наблюдается. [11]
Одним из наиболее старых и хорошо известных методов сглаживания временных рядов является метод скользящих средних. Применяя этот метод, можно элиминировать случайные колебания и получить значения, соответствующие влиянию главных факторов. Для этого исходные значения динамического ряда заменяются средней арифметической величиной внутри выбранного интервала времени; полученное значение относится к середине выбранного периода. [12]
Данный метод позволяет получать хорошие краткосрочные прогнозы ( до двух суток) с корреляционным отношением не менее 0 96 и может быть использован для сглаживания исходного временного ряда, что необходимо при решении задач идентификации. [13]
Целью анализа временных рядов расхода электроэнергии за определенный интервал времени является выявление тенденции роста расходов электроэнергии за этот период, которая покажет общую картину изменения расходов. Все методы сглаживания временных рядов с целью выявления основной тенденции исходят из фактического развития динамики, которое имело место в течение рассмотренного интервала времени. [14]
Большую часть ПППМС составляют программы многомерного статистического анализа, включающие: корреляционный, регрессионный, факторный, компонентный, дисперсионный анализ, а также многомерную классификацию. Кроме того, пакет включает в себя программы обработки временных рядов ( сглаживание временных рядов, прогнозирование временных рядов с помощью метода гармонических весов, прогнозирование временных рядов методом экспоненциального сглаживания, идентификация временных рядов с помощью метода Бокса - Дженкинса, прогнозирование временных рядов по методу Бокса - Дженкинса), а также ряд вспомогательных программ. Пакет разработан на ФОРТРАНе. [15]
Страницы: 1