Этап 3. Преобразование числового временного ряда в лингвистический временной ряд с целью обеспечить возможность применить квазигенетический алгоритм [30], работающий с комбинаторными конфигурациями, составляющими собой структуру лингвистического временного ряда и его терм-множество [15] И'. Этап 4. Построение определяемой данным лингвистическим временным рядом генетической памяти клеточного автомата состоит из подэгапов: формирование множества М всех /-конфигураций, содержащих в полученном лингвистическом временном ряде, / = 1,2,...,£, где L глубина памяти [111,110] этого лингвистического временного ряда; вычисление частот и частостей переходов /конфигураций из М в состояния-термы из W. Этап 5. Формирование прогноза для рассматриваемых числового и лингвистического временного ряда путем реализации «мягких вычислений» на базе построенной памяти клеточного автомата: получение прогноза в виде нечеткого лингвистического множества; преобразование нечеткого лингвистического множества в числовое нечеткое множество, которое при необходимости с помощью процедуры дефазификации [56] можно перевести в четкий числовой прогноз. Этап 6. Валидация, т.е. получение оценок погрешности для полученного прогноза для данных числового и лингвистического временных рядов. Все этапы предлагаемой прогнозной модели были осуществлены на временных рядах числа зарегистрированных больных в отделении пульмонологии и детской реанимации республиканской больницы КЧР. Первые два этапа предлагаемого метода прогнозирования были проиллюстрированы на реальной информации в главах 1 и 2. Третий этап прогнозной модели состоит в формировании памяти клеточного автомата. С этой целью осуществим преобразование числового временного ряда в лингвистический временной ряд. ПО |
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». Первые два этапа предлагаемого метода прогнозирования были осуществлены и реализованы в главах 2 и 3. Третий этап прогнозной модели состоит в формировании памяти клеточного автомата. С этой целью осуществим преобразование числового временного ряда в лингвистический временной ряд. В настоящей главе для целей иллюстрации, валидации и верификации прогнозной модели рассматриваем агрегированный временной ряд двухнедельной котировки акций российской компании «Сбербанк» за период с 1 апреля 2002 г. по 31 марта 2005 г. где индексом / = 1,2,...,п, и = 78 перенумерованы полумесяцы этого периода. С целью визуализации на рис.4.1 дано графическое представление этого ряда в виде гистограммы. Номер наблюдения Рисунок 4.1 Гистограмма агрегированного временного ряда котировки акций российской компании «Сбербанк» за период с 2002 г. по 2005 г. По результатам фрактального анализа (п.2.5.3) исследуемый ВР (4.1) обладает долговременной памятью, глубина которой оценена в терминах нечетких множеств и представлена гистограммой на рис.2.29. 120 |