|
Глава 3. МЕТОДИКА ПРОГНОЗИРОВАНИЯ СПРОСА НА МЕДИЦИНСКИЕ УСЛУГИ В РЕГИОНЕ НА БАЗЕ МАТЕМАТИЧЕСКОЙ ТЕОРИИ КЛЕТОЧНЫХ АВТОМАТОВ. 3.1. Возможности клеточных автоматов для прогнозирования временных рядов заболеваемостей. Областью применения предлагаемого в настоящей главе алгоритма прогнозирования являются эволюционные процессы, временные ряды показателей которых обладают долговременной памятью [111]. К их числу относятся чаще всего либо природные временные ряды, либо временные ряды основных показателей эволюционных процессов в различных отраслях народного хозяйства: временные ряды урожайности в области растениеводства, временные ряды заболеваний в региональной или городской отрасли здравоохранения, временные ряды индекса цен стройматериалов, временные ряды стоимости ценных бумаг государственных облигаций, курса валют, и др. Применение к этим временным рядам традиционных методов статистического анализа [118,124] весьма часто приводит к неудовлетворительному результату прогнозирования. Например, для временного ряда урожайности основных сельскохозяйственных культур, выращиваемых в южно-российской зоне рискового земледелия, является в принципе неправомерным использование классических методов прогнозирования, которые базируются на авторегрессии и скользящем среднем [124]. Причиной тому оказалось, что многие реальные временные ряды обладают долговременной памятью [111], что означает отсутствие независимости наблюдений и неподчинение ВР нормальному закону, более того, в характере их поведения проявляются такие свойства как хаотичность, наличие тяжелых хвостов [111,108] при отсутствии сезонной компоненты и долговременного тренда [118,124]. Таким образом, если у рассматриваемого временного ряда достаточно часто сменяется тренд и он обладает долговременной памятью, то применение 106 |
Глава 4 АДАПТАЦИЯ КЛЕТОЧНО-АВТОМАТНОЙ ПРОГНОЗНОЙ МОДЕЛИ ДЛЯ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 4.1 Особенности временных рядов, для которых традиционные методы прогнозирования неадекватны Областью применения предлагаемого в настоящей главе алгоритма прогнозирования являются эволюционные процессы, временные ряды (ВР) показателей которых обладают долговременной памятью [110]. К их числу относятся чаще всего либо природные ВР, либо ВР основных показателей эволюционных процессов в различных отраслях народного хозяйства: ВР урожайности в области растениеводства, ВР заболеваний в региональной или городской отрасли здравоохранения, ВР индекса цен стройматериалов, ВР стоимости ценных бумаг государственных облигаций, курса валют, и др. Применение к этим ВР традиционных методов статистического анализа [110] весьма часто приводит к неудовлетворительному результату прогнозирования. Например, для ВР урожайности основных сельскохозяйственных культур, выращиваемых в южно-российской зоне рискового земледелия, является в принципе неправомерным использование классических методов прогнозирования, которые базируются на авторегрессии и скользящем среднем [110,112]. Причиной тому оказалось, что многие реальные ВР обладают долговременной памятью [110], что означает отсутствие независимости наблюдений и неподчинение ВР нормальному закону, более того, в характере их поведения проявляются такие свойства как хаотичность, наличие тяжелых хвостов [110] при отсутствии сезонной компоненты и долговременного тренда [60,62]. Таким образом, если у рассматриваемого ВР достаточно часто сменяется тренд и он обладает долговременной памятью, то применение к нему классических методов прогнозирования зачастую оказываются неадекватными. Отсюда естественным является вопрос о существовании таких принципиально новых моделей и методов прогнозирования, у которых «мешающий», в указанном выше смысле, фактор долговременной памяти становится |