WorldodTech

Что касается правил перехода системы от одного состояния к другому, то этот процесс решается каждым исследователем интуитивно.

Быстроту реакции адаптивной модели на изменения в динамике ряда характеризует так называемый параметр адаптации. Процесс "обучения" модели по ретроспективному материалу происходит в два этапа. На первом этапе определяется наилучшая (оптимальная) величина параметра адаптации, а на втором, используя ее по описанной выше схеме, определяются коэффициенты модели.

Если оптимальную величину параметра адаптации затруднительно определить эмпирически или вывести аналитическим способом, то используют метод проб и ошибок. Задача состоит в нахождении такого значения параметра, которое обеспечивало бы отражение тенденции процесса при одновременной фильтрации случайных отклонений от нее.

Адаптивные модели достаточно гибки, но не универсальны. Поэтому при построении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса, динамические свойства ряда соотносить с возможностями модели. Исследователь должен закладывать в модель те адаптивные свойства, которых, по его мнению, хватит для слежения модели за реальным процессом с заданной погрешностью. Вместе с тем нельзя надеяться на успешную самоадаптацию модели, более общей по отношению к той, которая необходима для отражения реального процесса, так как увеличение числа параметров модели неизбежно приводит к ухудшению получаемых по ней прогнозов.

Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделью, и, учитывая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Только при таком условии можно надеяться, что последовательность проб и ошибок постепенно приведет к наиболее эффективной прогнозной модели.

Для сравнения возможных альтернатив необходим критерий полезности модели. В случае краткосрочного прогнозирования признанным критерием является средний квадрат ошибки прогнозирования. О качестве модели судят по наличию автокорреляции в ошибках. В более развитых системах процесс проб и ошибок осуществляется в результате анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели. Здесь используется принцип конкуренции или автоматического отбора (селекции) прогнозной модели по заданному критерию.

Время в адаптивной модели не является фактором, причинно определяющим развитие исследуемого процесса. Оно является условным "представителем" всей совокупности причинных факторов и выражает эволюцию всего комплекса условий протекания процесса. За счет упрощенного представления исследуемой величины, которая связана с одним лишь фактором − временем, моделирование становится возможным даже при самой скудной информации.

Учитывая вышеизложенное, можно выделить следующие основные преимущества адаптивных методов и моделей, обеспечивающие широкое поле для их применения: