(качественной, лингвистической и т.д.) информации, характеризующей динамику рассматриваемого процесса. Особого внимания заслуживает тот факт, что в отдельных случаях в результате применения клеточно-автоматной прогнозной модели к остаточной (считающейся не прогнозируемой традиционными методами) компоненте удастся получить дополнительную информацию, использование которой приводит к более точному и надежному прогнозу. 3.2. Алгоритм клеточно-автоматной прогнозной модели спроса. Преобразование числового временного ряда в лингвистический временной ряд методом огибающих ломанных. Алгоритм прогнозирования на базе клеточного автомата реализуется в системном единстве с процессом моделирования долговременной памяти и завершается получением прогноза, включая валидацию (оценивание погрешности результата). Алгоритм его реализации состоит из следующих шести этапов [30]. Этап 1. Использование статистических методов [118,124] и визуализация для предварительного анализа данного временного ряда на предмет выявления наличия или отсутствия тяжелых хвостов, трендов, циклических или сезонных компонент и др. Этап 2. Фрактальный анализ [111,110] данного временного ряда с целью установления в нем долговременной памяти, включая оценку ес глубины, а также выявления в поведении временного ряда таких характеристик и тенденций, как трендоустойчивость или, наоборот, хаотичность, персистентность или антиперсистснтность [111] и др. Вычислительная часть фрактального анализа базируется на алгоритме R/Sанализа [111,110]. Оценки, получаемые на выходе этого этапа, имеют числовую природу: наиболее адекватным является их представление в терминах и понятиях нечетких множеств [111,15,103]. 109 |
точно-автоматной прогнозной модели по той причине, что эта модель оперирует не числовыми значениями измеряемых наблюдений, а качественными лингвистическими оценками. Аналогичным образом, в клеточно-автоматной прогнозной модели снимается или ослабляется известная проблема использования различных инструментов или методов измерения уровней (наблюдений) экономических ВР. Из сравнения традиционного и клеточно-автоматного подхода к прогнозированию вытекает четвертое замечание, отмечающее возможность привлечения в процесс клеточно-автоматного прогнозирования нечисловой (качественной, лингвистической и т.д.) информации, характеризующей динамику рассматриваемого процесса. Особого внимания заслуживает тот факт, что в отдельных случаях в результате применения клеточно-автоматной прогнозной модели к остаточной (считающейся не прогнозируемой традиционными методами) компоненте удается получить дополнительную информацию, использование которой приводит к более точному и надежному прогнозу. 4.3 Общая схема и принципы работы клеточно-автоматной прогнозной модели 4.3.1 Преобразование числового временного ряда в лингвистический временнойряд методом огибающих ломанных Алгоритм прогнозирования на базе клеточного автомата реализуется в системном единстве с процессом моделирования долговременной памяти и завершается получением прогноза, включая валидацию (оценивание погрешности результата). Алгоритм его реализации состоит из следующих шести этапов. Этап 1. Использование статистических методов [110,112] и визуализация для предварительного анализа данного ВР на предмет выявления наличия или отсутствия тяжелых хвостов, трендов, циклических или сезонных компонент и др. Этап 2. Фрактальный анализ [110] данного ВР с целью установления в нем долговременной памяти, включая оценку ее глубины, а также выявления в поведении ВР таких характеристик и тенденций, как трендоустойчивость или, наоборот, хаотичность, персистентность или антиперсистентность [110] и др. Вычислительная часть фрактального анализа базируется на алгоритме К/8анализа [110]. Оценки, получаемые на выходе этого этапа, имеют числовую природу: наиболее адекватным является их представление в терминах и понятиях нечетких множеств [6,99,110]. Этап 3. Преобразование данного ВР в лингвистический временной ряд (ЛВР) с целью обеспечить возможность применить квазигенетический алгоритм [115], работающий с комбинаторными конфигурациями, составляющими собой структуру ЛВР и его терм-множество [33] Ж. Этап 4. Построение определяемой данным ЛВР генетической памяти клеточного автомата состоит из подэтапов: формирование множества М всех /-конфигураций, содержащих в полученном ЛВР, / = 1,2,...,Ь , где Ь глубина памяти [80,110] этого ЛВР; вычисление частот и частостей переходов /конфигураций из М в состояния-термы из Ж. Этап 5. Формирование прогноза для рассматриваемых ВР и ЛВР путем реализации «мягких вычислений» на базе построенной памяти КА: получение прогноза в виде нечеткого лингвистического множества (НЛМ); преобразование НЛМ в числовое нечеткое множество, которое при необходимости с помощью процедуры дефазификации [65] можно перевести в четкий числовой прогноз. Этап б. Валидация, т.е. получение оценок погрешности для полученного прогноза для данных ВР и ЛВР. Все этапы предлагаемой прогнозной модели были осуществлены на временных рядах показателей котировки акций «РАО ЕЭС», «Сбербанк», «Ростелеком», «Сибнефть». |