Інтелектуальний аналіз часових рядів ( ВР ) . Прогнозування гранульованого часового ряду і рішення на основі гранулярного комп'ютингу прикладних задач

Заголовок (російською):

Интеллектуальный анализ временных рядов (ВР). Прогнозирование гранулированного временного ряда и решение на основе гранулярного компьютинга прикладных задач

Заголовок (англійською):

Intelligent analysis of time series ( TS ) . Prediction of granular time series, and a decision based on granular computing applications

Автор(и):

Минаев Ю. Н.

Филимонова О. Ю.

Минаева Ю. И.

Филимонов Г. А.

Ключові слова (укр):

часовий ряд, сингулярне розкладення, матрицизація, інформаційна гранула, нечітка множина, найближчий Кронекерів добуток, тензор

Ключові слова (рус):

временной ряд, сингулярное разложения, матрицизация, информационная гранула, нечеткое множество, ближайшее Кронекерово произведение, тензор

Ключові слова (англ):

time series, singular decomposition, forecasting granulated TS, single-line matrix equations, information granule, nearest Kronecker product, tensor

Анотація (укр):

Розглянуто питання розвязку задач прогнозування гранульованого ЧР на рівні лінійних матричних рівнянь. Запропоновано алгоритм прогнозування ЧР на підставі методології розвязку ЛМР, наведено приклад розвязку задачі прогнозування ЧР, показано можливість підвищення точності прогнозування за рахунок використання приєднаних тензорів.

Анотація (рус):

Рассмотрены вопросы решения задач прогнозирования гранулированного временного ряда (ВР) на уровне линейных матричных уравнений. Предложен алгоритм прогнозирования ВР на основании методологии решения ЛМУ, приведен пример решения задачи прогнозирования ВР, показана возможность повышения точности прогнозирования за счет использования присоединенных тензоров.

Анотація (англ):

The questions of deciding the problems of forecasting granulated time series (TS) at a rate of single-line matrix equations are considered. The algorithm of forecasting TS on the grounds of methodologies of deciding linear matrix equations (LME) is offered, an instance deciding a problem of forecasting TS is cited, the possibility of raising accuracy of forecasting to the account of using joined tensors is shown. The problems solving prediction granulated TS level of linear matrix equations. An algorithm based on TS forecasting methodology LME solutions, is an example of solving the problem of predicting TS, the possibility of increasing the accuracy of prediction by the use of associated tensors. A new method for solving forecasting granulated TS, which is built on identifying patterns of TS in the form of solutions of linear matrix equations, show the high efficiency of the method. Proved by the example of solving real applications that granular computing unifies prediction procedure TS regardless of their type: Forecasts clear or fuzzy TS can be performed using an algorithm of the same type.

Публікатор:

Київський національний університет будівництва і архітектури

Назва журналу, номер, рік випуску (укр):

Управління розвитком складних систем, номер 19, 2014

Назва журналу, номер, рік випуску (рус):

Управление развитием сложных систем, номер 19, 2014

Назва журналу, номер, рік випуску (англ):

Management of Development of Complex Systems, Number 19, 2014

Мова статті:

Русский

Формат документа:

application/pdf

Документ:

26.pdf

Дата публікації:

30 Сентябрь 2014

Номер збірника:

Розділ:

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ В ЕКОНОМІЦІ

Університет автора:

1 Национальный авиационный университет, Киев; 2 Киевский национальный университет строительства и архитектуры, Киев

Литература:

1. Минаев Ю.Н. Филимонова О.Ю., Минаева Ю.И. Интеллектуальный анализ временных рядов (ВР) Сингулярных декомпозиций и гранулярный компьютинг в задачах интеллектуального анализа временных рядов. – 2014. – №18. – С.112-118.

2. Song Q., Chissom B. Fuzzy time series and its models // Fuzzy Sets and Systems. – №54 (1993) – Р. 269-277.

3. Song Q., Chissom B. Forecasting enrollments with fuzzy time series –Part I // Fuzzy Sets and Systems. – №54 (1993) –Р. 1-9.

4. Song Q., Chissom B. Forecasting enrollments with fuzzy time series – Part II // Fuzzy Sets and Systems. – №64 (1994) – Р. 1-8.

5. Chen S. M. Forecasting enrollments based on fuzzy time series // Fuzzy Sets and Systems. – № 81 (1996) – Р. 311–319.

6. Дегтярев К. Ю. Применение специализированных компьютерных программ и методов, основанных на нечетких временных рядах для краткосрочного прогнозирования USB/RUB котировок / Интернет-ресурс: http://www.еxponenta.ru/educat/news/degtyarev/pa-per. pdf; дата обращения 30.12.2013.

7. Минаев Ю.Н., Филимонова О.Ю., Минаева Ю.И. Тензорные модели НМ-гранул и их применение для решения задач нечеткой арифметики. «Искусственный интеллект». – №2, 2013. – С.18-31.

8. Cichocki A. Tensor Decompositions: A New Concept in Brain Data Analysis? arXiv: 1305.0395v1 [cs.NA] 2 May 2013. – 19 pp.

9. Van Loan Ch.F. Block Matrix Computations and the Singular Value Decomposition A Tale of Two Ideas. - Інтернет-ресурс. www.ecsecure-host.com

10. Van Loan Ch.F. The ubiquitous Kronecker product. Journal of Computational and applied mathematics. 2000, 123(1-2): 85-100

11. Skillicorn D. B. Understanding complex datasets: data mining with matrix decompo-sitions /2007 by Taylor and Francis Group, LLC. – 257 рр.

13. Lev-Ari H. Efficient Solutions of linear matrix equation with application to multis-tatic antenna array processing communication and systems. Vol. 5, No. 1, pp. 123-130, 2005.

14. Минаев Ю.Н., Филимонова О.Ю., Лиес Б.А. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе.- М.: Диалог-МИФИ, 2006. – 224 с.

15. Зубов Л. М., Карякин М. И. Элементы тензорного исчисления. Учеб. Пособие. Ростов: Изд-во Ростовского госуниверситета. – 108 с. Интернет-ресурс.

References:

1. Minaev Y.N., Filimonov O.Y., Minayeva Y.I. (2014). Intelligent analysis of time series (BP) Singular decomposition and granular computing tasks in time series mining. – 2014. – №. 18 – S. 112-118.

2. Song Q., Chissom B. (1993). Fuzzy time series and its models // Fuzzy Sets and Systems. – № 54 (1993) – R. 269-277.

3. Song Q., Chissom B. (1993). Forecasting enrollments with fuzzy time series-Part I // Fuzzy Sets and Systems. – № 54 (1993) p. 1-9.

4. Song Q,, Chissom B. (1994). Forecasting enrollments with fuzzy time series - Part II // Fuzzy Sets and Systems. – № 64 (1994) – R. 1-8.

5. Chen SM (1996).Forecasting enrollments based on fuzzy time series // Fuzzy Sets and Systems. – № 81 (1996) – R. 311-319.

6. Degtyarev K.Y.(2013). Application of specialized computer programs and methods based on fuzzy time series for the short-term forecasting USB / RUB quotes / Internet resource: http: //www.еxponenta.ru/educat/news/degtyarev/pa-per. pdf; date accessed 30.12.2013.

7. Minaev Y.N., Filimonova O.Y., Minayeva J.I.(2013) Tensor model HM - granules and their application to solving fuzzy arithmetic. "Artificial Intelligence". – № 2, 2013. – P.18 - 31.

8. Cichocki A.(2013) Tensor Decompositions: A New Concept in Brain Data Analysis? arXiv: 1305.0395v1 [cs.NA] 2 May 2013. – 19 pp.

9. Van Loan Ch.F. Block Matrix Computations and the Singular Value Decomposition A Tale of Two Ideas. - Services Internet resource http://www.ecsecure-host.com:

10. Van Loan Ch.F. (2000). The ubiquitous Kronecker product. Journal of Computational and applied mathematics. 2000, 123 (1-2): 85-100.

11. Skillicorn DB (2007). Understanding complex datasets: data mining with matrix decompo-sitions / 2007 by Taylor and Francis Group, LLC. – 257 pp.

13. Lev-Ari H. Efficient Solutions of linear matrix equation with application to multis-tatic antenna array processing communication and systems. Vol. 5, No. 1, pp. 123-130, 2005.

14. Minaev Y.N., Filimonova O.Y., Lies BA (2006). Methods and algorithms for solving identification and forecasting under uncertainty in the neural network logical basis. – Moscow: Dialog – MIFI 2006. – 224.

15. Zubov. L.M., Karjakin M.I. Tensor elements ischisleniya.Ucheb. allowance. Publishing House of the Rostov State University. – 108. Internet resource.