WorldodTech

Адаптивными методами прогнозирования (АМП) называются методы, позволяющие строить самокорректирующиеся математические модели, которые, учитывая результат реализации прогноза, сделанного на предыдущем шаге, и различную информационную ценность членов динамического ряда, способны оперативно реагировать на изменяющиеся условия и на этой основе давать на ближайшую перспективу более точные прогнозы.

АМП применяются там, где основной информацией для прогноза является отдельный временной ряд. В случае краткосрочного прогнозирования наиболее важными являются последние реализации исследуемого процесса, например данные о мощности на валу бетоносмесителя ряда последних замесов бетона одной рецептуры, тенденция его развития, сложившаяся в среднем на всем периоде предыстории, имеет существенно меньшее значение. Другими словами, свойство динамичности развития процесса здесь преобладает над свойством их инерционности. Вследствие этого более эффективным оказывается применение АМП, учитывающих неравноценность уровней временного ряда.

Для повышения качества краткосрочных прогнозов необходимо постоянно сопоставлять прогнозные оценки, полученные на основе модели, с фактическими данными. Практически все методы инженерного прогнозирования являются в той или иной степени адаптивными, поскольку стремятся использовать ценную информацию результатов сравнений с. тем, чтобы приспособиться к реальному течению процесса. Однако в традиционных методах, использующих регрессионные модели, кривые роста, степень адаптации невелика, так как они, как правило, используют новую точку динамического ряда лишь для "освежения" модели путем простого перерасчета ее коэффициентов по увеличенному на единицу периоду предыстории. В этом случае ценность вновь поступающей информации с течением времени постоянно падает и, кроме того, не учитывается фактическая величина ошибки прогноза.

Первоначальная оценка параметров модели обычно осуществляется по некоторой выборке исходного ряда. Все уровни ряда составляют обучающую последовательность, т. е. используются для корректировки параметров текущей прогнозной Последовательность процесса адаптации, состоит в следующем.

Пусть модель находится в некотором исходном состоянии (т. е. определены текущие значения ее параметров) и по ней делается прогноз. По истечении одной единицы времени (шага моделирования) анализируем, насколько далек результат, полученный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью в соответствии с ее логикой перехода из одного состояния в другое с целью большого согласования своего поведения с динамикой ряда. На изменения ряда модель должна отвечать "компенсирующими" изменениями. Затем делается прогноз на следующий момент времени и весь процесс продолжается до исчерпания фактических уровней ряда.

Таким образом, модель постоянно "впитывает" новую информацию, приспосабливается к ней и к концу периода обучения отражает тенденцию развития процесса, существующую на данный момент.