Dự báo trên chuỗi thời gian sử dụng bài toán tìm kiếm tương tự
Email tác giả liên hệ:
sonnt@hcmute.edu.vnTừ khóa:
Chuỗi thời gian, dự báo, tìm kiếm tương tưTóm tắt
Bài toán dự báo trên chuỗi thời gian là bài toán quan trọng trong nhiều lĩnh vực và đã nhận được nhiều sự quan tâm từ các nhà nghiên cứu trong những năm gần đây. Trong bài báo này, chúng tôi nghiên cứu cách sử dụng bài toán tìm kiếm tương tự vào bài toán dự báo trên chuỗi thời gian có xu hướng hoặc theo mùa. Phương pháp này được thực hiện như sau: (1) Trích một chuỗi giá trị trên chuỗi thời gian ngay trước khoảng thời gian muốn dự báo, (2) Sử dụng chuỗi này để tìm k lân cận gần nhất (hoặc các lân cận trong phạm vi một ngưỡng tương tự T cho trước) của nó trong dữ liệu quá khứ, (3) Trích các chuỗi (có chiều dài bằng với chiều dài muốn dự báo) ngay liền sau mỗi chuỗi lân cận tìm được, và (4) Chuỗi dự báo được xác định bằng cách tính trung bình các chuỗi tìm được trong bước (3). Kết quả thực nghiệm cho thấy cách tiếp cận này cho kết quả (về độ chính xác và thời gian thưc thi) có thể cạnh tranh được khi so sánh với kết quả dự báo trên chuỗi thời gian có xu hướng hoặc theo mùa sử dụng mạng nơ ron nhân tạo (ANN). Trong thực nghiệm, chúng tôi cũng xem xét ảnh hưởng của k và T đến độ chính xác của dự báo.
Tải xuống: 0
Tài liệu tham khảo
N. Beckman, H.P. Kriegel, R. Schneider and B. Seeger, “The R*-tree: An efficient and robust access method for points and rectangles”, Proc. of 1990 ACM-SIGMOD Conf., Atlantic City, NJ, May 1990, pp. 322-331.
S. D. Balkin and J. K. Ord, “Automatic neural network modeling for univariate time series”, International Journal of Forecasting, vol.16, 2000, pp. 509–515.
C. Chatfield, Time-series forecasting, New York, NY, Chapman and Hall, Inc., 2000
E. Cadenas and W. Rivera, “Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks”, Renewable Energy, vol. 34, no. 1, 2009, pp. 274–278.
F. M. Álvarez, A. Troncoso, J. C. Riquelme and J. S. A. Ruiz, “Energy Time Series Forecasting Based on Pattern Sequence Similarity”, IEEE Trans. on Knowledge and Data Engineering, vol. 23, No. 8, Aug. 2011, pp. 1230 – 1243.
A. Guttman, “R-trees: a Dynamic Index Structure for Spatial Searching”, Proc. of the ACM SIGMOD Int. Conf. on Management of Data, June 18-21, 1984, pp. 47-57.
S. Gelper, R. Fried, and C. Croux, “Robust forecasting with exponential and Holt-Winters smoothing”, Journal of Forecasting, vol. 29, 2010, pp. 285-300.
M. Ghiassi, H. Saidane, and D. K. Zimbra, “A dynamic artificial neural network model for forecasting series events”, International Journal of Forecasting, vol.21, 2005, pp. 341–362.
S. Heravi, D. R. Osborn and C. R. Birchenhall, “Linear versus neural network forecasting for European industrial production series”, International Journal of Forecasting, vol.20, 2004, pp. 435–446.
Z. Huang and M. L. Shyu, "k-NN Based LS-SVM Framework for Long-Term Time Series Prediction," in The 11th IEEE International Conference on Information Reuse and Integration (IRI 2010), Tuscany Suites & Casino, Las Vegas, Nevada, USA, 2010, pp. 69-74
Z. Huang and M.-L. Shyu, "Long-Term Time Series Prediction using k-NN Based LS-SVM Framework with Multi-Value Integration," in Recent Trends in Information Reuse and Integration, K. K. a. M. T. Tansel Ozyer, Ed. Springer Vienna, 2012, ch. 9, pp. 191-209.
Y. Jiang, C. Li, J. Han, "Stock temporal prediction based on time series motifs," in Proc. of 8th Int. Conf. on Machine Learning and Cybernetics, 2009.
I.-B. Kang, “Multi-period forecasting using different models for different horizons:An application to U.S. economic time series data”, International Journal of Forecasting, vol.19, 2003, pp. 387–400.
J. H. Kim, “Forecasting autoregressive time series with biascorrected parameter estimators”, International Journal of Forecasting, vol.19, 2003, pp. 493–502.
K. J. Kim, “Financial time series forecasting using support vector machines”, Neuro-computing, vol. 55, 2003, pp. 307-319.
Q. Li, I. F. V. Lopez, and B. Moon, “Skyline Index for Time Series Data”, IEEE Trans. on Knowledge and Data Engineering, vol.16, No. 6, 2004
N. T. Son, D. T. Anh, “Time Series Similarity Search based on Middle Points and Clipping”, Proceedings of the 3rd Conference on Data Mining and Optimization (DMO 2011), Putrajaya, Malaysia, June 28-29, 2011, pp.13-19.
R. Nayak, and te Braak, “Temporal Pattern Matching for the Prediction of Stock Prices”, In (Ong, K.-L. and Li, W. and Gao, J., Eds.) Proceedings 2nd International Workshop on Integrating Artificial Intelligence and Data Mining (AIDM 2007), pp. 99-107.
Y.Radhika and M.Shashi, "Atmospheric Temperature Prediction using Support Vector Machines," International Journal of Computer Theory and Engineering, vol. 1, no. 1, 2009, pp. 55-58.
A. Troncoso, J. M. Riquelme, J. C. Riquelme, A. Gómez, and J. L. Time series prediction: Application to the short term electric energy demand Martínez, "”, LNAI 3040, Springer, 2004, pp. 577- 586.
G. Tkacz, “Neural network forecasting of Canadian GDP growth”, International Journal of Forecasting, vol.17, 2001, pp. 57–69.
G. P. Zhang, M. Qi, “Neural Network Forecasting for Seasonal and Trend Time Series”, European Journal of Operational Research, vol. 160, 2005, pp. 501-514.
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
