Методи на Box-Jenkins (ARIMA)
Въведение
Методи за прогнозиране, базирани на изглаждане, експоненциално изглаждане и пълзяща средна
- „Наивни“ модели за прогнозиране
- Средни и пълзящи средни
- Методи на Холт и Браун
Методи за прогнозиране на регресия
Разлагане на времеви редове
Методи на Box-Jenkins (ARIMA)
Доскоро (средата на 80-те години на миналия век) имаше няколко общоприети метода за прогнозиране на времеви редове:
- Иконометричен
- Регресия
- Методи на Box-Jenkins (ARIMA, ARMA)
Тези статии съживяват интереса към невронните мрежи в научната общност и последните много скоро се използват широко в научните изследвания в различни области на науката - от експерименталната физика и химия до икономиката.
Между другото, някои служители на компанията Neuroproject по това време започнаха да се занимават с невронни мрежи, използвайки ги за обработка на резултатите от физически експерименти.
Отчасти поради относителната сложност и неопределеност на невронните мрежи и генетичните алгоритми, тези технологии не излизат веднага извън чисто научните приложения. Доверието на бизнеса в новите технологии обаче се е увеличило с течение на времето. От началото на 90-те години редовно започват да се появяват съобщения за инсталирането на невронни мрежови системи в различни компании, банки и корпоративни институции. Освен това сферата на използване на новите технологии беше много многостранна - оценка на риска, контрол на технологичните процеси, контрол на роботи и много други.
Едно от най-успешните приложения на невронните мрежи е прогнозирането на времеви редове. Нещо повече, най-масовият беше
- Прогнозиране на финансовите пазари
- Прогнозиране на продажбите
Понастоящем е безопасно да се каже, че използването на невронни мрежи при прогнозиране дава осезаемо предимство пред по-опростените статистически методи.
Методи за прогнозиране, базирани на изглаждане, експоненциално изглаждане и пълзяща средна
„Наивни“ модели за прогнозиране
При създаването на „наивни“ модели се приема, че някакъв последен период от прогнозираните времеви редове най-добре описва бъдещето на тази прогнозна серия, следователно при тези модели прогнозата обикновено е много проста функция от стойностите на прогнозираната променлива в близкото минало.