ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ ПОСРЕДСТВОМ ПРИВЯЗКИ СОБЫТИЙ

В данной статье рассматривается концепция модификации метода анализа временных рядов, ориентированная на интеграцию с методами кластеризации в режиме обучения в реальном времени. Проанализированы различные методы прогнозирования временных рядов и машинного обучения. Описанный в статье метод дает прогноз поведения временного ряда на основе больших данных, полученных из различных источников, и связанных с существующими транзакциями временного ряда. Такой подход дает возможность находить зависимости изменения определенных показателей рассматриваемых систем в зависимости от различных событий. Выполненное исследование предлагает концепцию автоматизированного обучения системы в режиме реального времени с возможностью дальнейшей программной реализации. Рассматриваемая концепция позволяет строить прогнозы на любые временные ряды, зависимые от различных событий, новостей и данных, находящихся в открытом доступе. Предложен подход, который связывает события с графиком транзакций. Преимуществом подхода является возможность нахождения различных зависимостей между происходящими событиями и различными изменениями показателей, например: цен на биржах, значений социальных показателей и многих других.

1. Халафян А.А. STATISTICA 6. Статистический анализ данных. М.: Бином, 2010:512

2. Трофимов П.Ю., Носков В.Ю. Прогнозирование временных рядов методом ARIMA. Теплотехника и информатика в образовании, науке и производстве: сборник докладов VI Всероссийской научно-практической конференции студентов, аспирантов и молодых учёных (TИМ’2017) с международным. 2017:260–262.

3. Безручко В.П., Смирнов Д.А. Математическое моделирование хаотических временных рядов Саратов: Гос УНЦ «Колледж». 2005:532.

4. Manyika J., Chui M., Brown B. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute, 2011:156.

5. Шмойлова Р.А. Общая теория статистики: Учебник. М.: Финансы и статистика, 2008:296.

6. Замятин А.В. Введение в интеллектуальный анализ. Учебное пособие. 2016:120.

7. Анализ временных рядов. Электронный учебник по статистике. [Электронный ресурс] StatSoft – Москва, 2009 – Режим доступа: http://statsoft.ru/home/textbook/modules/sttimser.html.

8. Cao L., Soofi A. Nonlinear deterministic forecasting of daily dollar exchange rates. International journal of forecasting. 1999;15:421−430.

9. Meese R., Rogoff K. Empirical exchange rate models of the seventies: do they fit out-ofsample? Journal of international economics. 1983;14:3−24.