|
Для прогнозирования будущих событий используются закономерности,
обнаруживаемые в таблицах данных, описывающих прошлые факты [1].
Каждая строка ai из m строк такой таблицы содержит n
характеристик xj (j = 1,2,┘n) состояния наблюдаемого объекта
или процесса в i-тый момент времени. Строки упорядочены по
╚возрасту╩: самые свежие данные имеют индекс i=1, данные за предшествующий
момент √ i =2 и так далее до момента i = m. Ближайший предсказываемый
момент времени имеет индекс i = 0. Приведем несколько примеров таблиц
типа ╚время-свойство╩ и задач прогнозирования, решаемых на этих таблицах.
1. Таблица отражает результаты ежедневных торгов на бирже ценных бумаг. Столбец xj здесь соответствует стоимости акций j-той компании. Строка ai отражает стоимости акций всех n компаний в i-тый день. Если удастся обнаружить закономерности изменений курсов акций в данных за m последних дней, то можно предсказать стоимость акций на один или несколько дней вперед. 2. Таблица содержит информацию о подекадных значениях погодных характеристик за много лет. Закономерности чередования погодных условий, если они будут обнаружены, позволят предсказывать погоду на одну или несколько декад вперед. 3. Таблица содержит данные о потреблении электроэнергии за последние m недель. Она имеет семь столбцов, соответствующим дням недели. Каждая i-я строка отражает потребление электроэнергии в i-ю неделю. Требуется найти закономерность зависимости энергопотребления от времени года и дня недели и предсказывать нагрузку на энергосеть на каждый день будущей недели или нескольких недель вперед. Для решения таких задач в пакете ОТЭКС имеются программы ZET-D [1] и GAP [2]. 1. В.Н. Елкина, Н.Г. Загоруйко, Ю.А. Новоселов. Математические методы агроинформатики. Изд. ИМ СО АН СССР, Новосибирск, 1987г. 2.Загоруйко Н.Г. Метакритерий для отбора предикатов в алгоритмах прогнозирования. Тр. 3-го Сибирского Конгресса по прикладной и индустриальной математике (ИНПРИМ-98). Новосибирск, 1998,Часть IV, с.95-96. |