Michal Kowalczykiewicz - PowerPoint PPT Presentation

About This Presentation
Title:

Michal Kowalczykiewicz

Description:

Title: Time series forecasting using a hybrid ARIMA and neural network model Author: mk Last modified by: amkd Created Date: 4/19/2006 7:18:25 PM Document ... – PowerPoint PPT presentation

Number of Views:54
Avg rating:3.0/5.0
Slides: 26
Provided by: MK
Category:

less

Transcript and Presenter's Notes

Title: Michal Kowalczykiewicz


1
Michal Kowalczykiewicz
  • Time series forecasting using a hybrid ARIMA and
    neural network model
  • (na podstawie pracy z Neurocomputing 50 (2003)
    159 175,
  • autorstwa G. Peter Zhang)

2
Szereg czasowy
  • Szereg czasowy to proces stochastyczny, którego
    dziedzina jest czas to zbiór informacji
    uporzadkowanych w czasie, których pomiary
    wykonywane sa z pewnym krokiem czasowym
  • Analiza szeregów czasowych ma dwa glówne cele
  • wykrywanie natury zjawiska reprezentowanego
    przez sekwencje obserwacji
  • prognozowanie (przewidywanie przyszlych wartosci
    szeregu czasowego)

3
Analiza szeregów
  • Modele
  • pure autoregressive (AR)
  • pure moving avarage (MA)
  • autoregressive integrated moving average
    (ARIMA)
  • bilinear model
  • threshold autoregressive (TAR)
  • autoregressive conditional heteroscedastic
    (ARCH)
  • artificial neural network (ANN)

4
Analiza szeregów
  • Modele
  • pure autoregressive (AR)
  • pure moving avarage (MA)
  • autoregressive integrated moving average
    (ARIMA)
  • bilinear model
  • threshold autoregressive (TAR)
  • autoregressive conditional heteroscedastic
    (ARCH)
  • artificial neural network (ANN)

5
ARIMA
  • Jest metoda statystyczna sluzaca do analizowania
    szeregów czasowych, o liniowych zaleznosciach
    miedzy danymi.
  • Autorzy Box i Jenkins, 1976

6
ARIMA
  • Model
  • yt ?0 ?1yt-1 ?2yt-2 . . . ?pyt-p
  • ?t - ?1?t-1 - ?2?t-2 - . . . - ?q?t-q
  • yt - wartosc w czasie t
  • ?t - losowy blad w czasie t
  • ?i (i 1, 2, . . ., p), ?i (j 0, 1, . . ., q)
    - parametry modelu
  • p, q - porzadek modelu
  • ?t - niezalezne, ze srednia zero i stala
    wariancja s2

7
ARIMA
  • Budowanie modelu za pomoca metody Boy - Jenkinsa
    (1976)
  • Algorytm
  • FAZA 1 identyfikacja modelu
  • FAZA 2 estymacja parametrów
  • FAZA 3 walidacja

8
ARIMA - identyfikacja modelu
  • W tej fazie nalezy ustalic (zidentyfikowac)
    liczbe i typ parametrów modelu ARIMA, czyli
    okreslic wartosci parametrów p i q.

9
ARIMA - identyfikacja modelu
  • W tej fazie nalezy ustalic (zidentyfikowac)
    liczbe i typ parametrów modelu ARIMA, czyli
    okreslic wartosci parametrów p i q.
  • Korzysta sie z
  • autokorelogramu (ACF)
  • autokorelogramu czastkowego (PACF)

10
ARIMA - uwagi
  • Wymaga sie, by wejsciowy szereg dla tej fazy byl
    stacjonarny, to znaczy, powinien on miec stala w
    czasie srednia, wariancje i autokorelacje.
    Dlatego zazwyczaj szereg wymaga róznicowania az
    do osiagniecia stacjonarnosci
  • róznicowanie yt yt - yt-1

11
ARIMA - estymacja parametrów
  • Polega na wyznaczeniu wartosci parametrów ?i (i
    1, 2, . . ., p), ?i (j 0, 1, . . ., q) dla
    których otrzymujemy maksymalna wiarygodnosc
    (prawdopodobienstwo) otrzymania wlasnie
    obserwowanego szeregu. Aby mierzony blad byl
    minimalny

12
ARIMA - estymacja parametrów
  • Polega na wyznaczeniu wartosci parametrów ?i (i
    1, 2, . . ., p), ?i (j 0, 1, . . ., q) dla
    których otrzymujemy maksymalna wiarygodnosc
    (prawdopodobienstwo) otrzymania wlasnie
    obserwowanego szeregu. Aby mierzony blad byl
    minimalny
  • W praktyce wymaga to obliczenia (warunkowych)
    sum kwadratów reszt przy zadanych parametrach

13
ARIMA - walidacja
  • W ostatniej fazie oceniamy trafnosc naszego
    modelu. Jesli model zawiera wiele parametrów
    i\lub wyniki nas nie zadowalaja

14
ARIMA - walidacja
  • W ostatniej fazie oceniamy trafnosc naszego
    modelu. Jesli model zawiera wiele parametrów
    i\lub wyniki nas nie zadowalaja
  • mozemy próbowac powtórnie z innymi wartosciami
    poczatkowymi parametrów (czyli wracamy do FAZA 1).

15
ANN
  • Jest ogólnym modelem potrafiacym wykrywac
    nieliniowe zaleznosciach miedzy danymi, w
    szeregów czasowych

16
ANN
  • Najczesciej uzywana siecia w tym zagadnieniu jest
    a siec GLM
  • zaleznosc miedzy wyjsciem yt , a wejsciam
  • (yt-1, yt-2, . . ., yt-p), jest nastepujaca
  • yt a0 Sjltq ajg(S iltp ßijyt-i) ?t
  • aj (j 0, 1, . . ., q), ßij (i 0, 1, . . .,
    p j 1, 2, . . ., q) - wagi
  • p - liczba wejsc
  • q - liczba neuronów w warstwie ukrytej

17
ANN
  • Jako funkcje aktywacji srodkowej warstwy
    przyjmuje sie funkcje logistic
  • g(x) 1 / (1 exp(-x))
  • liczba wejsc sieci (p) i liczba neuronów
    wewnetrznych (q) sa dobierane eksperymentalnie.

18
Hybrid
  • Dla danych o których nie wiemy, czy sa zwiazki w
    nich wystepujace sa liniowe czy, tez nie zadna z
    wymienionych metoda nie jest odpowiednia.
  • Metoda ARIMA nie wykrywa nieliniowosci w danych
  • Sieci neuronowe daja srednie wyniki dla danych w
    których wystepuja zarówno liniowe jak i
    nieliniowe zwiazki

19
Hybrid
  • Dla danych o których nie wiemy, czy sa zwiazki w
    nich wystepujace sa liniowe czy, tez nie zadna z
    wymienionych metoda nie jest odpowiednia.
  • Metoda ARIMA nie wykrywa nieliniowosci w danych
  • Sieci neuronowe daja srednie wyniki dla danych w
    których wystepuja zarówno liniowe jak i
    nieliniowe zwiazki
  • Potrzebujemy uniwersalnego modelu, odpowiedniego
    dla wszystkich rodzajów danych

20
Hybrid
  • Model
  • yt Lt Nt
  • Lt - liniowy komponent
  • Nt - nieliniowy komponent
  • Te dwa parametry musza zostac wyznaczone z danych

21
Hybrid - Liniowy komponent
  • Liniowy komponent
  • Wpierw metoda ARIMA modelujemy liniowy komponent
    (L).
  • Jesli tylko LL (czyli L zawiera wszystkie
    liniowe relacje w danych) to residua powstale z
    liniowego modelu beda zawieraly tylko nieliniowe
    zwiazki.

22
Hybrid - Nieliniowy komponent
  • Nieliniowy komponent
  • Niech et bedzie reszta z dopasowanego liniowego
    modelu w czasie t.
  • Wtedy
  • et yt - L t
  • Te wartosci mozemy zamodelowac za pomoca sieci
    neuronowej
  • et f(et-1, et-2, . . ., et-n) ?t
  • ?t - losowy blad w czasie t

23
Hybrid
  • Ostatecznie
  • yt L t Nt
  • gdzie Nt przewidywana wartosc w czasie t
    wyznaczona przez ANN

24
Hybrid - przyklady
  • Testowane szeregi czasowe
  • Lynx
  • Sunspot
  • Exchange rate

25
  • Dziekuje za uwage
Write a Comment
User Comments (0)
About PowerShow.com