Studopediya

КАТЕГОРИЯ:


Астрономия- (809) Биология- (7483) Биотехнологии- (1457) Военное дело- (14632) Высокие технологии- (1363) География- (913) Геология- (1438) Государство- (451) Демография- (1065) Дом- (47672) Журналистика и СМИ- (912) Изобретательство- (14524) Иностранные языки- (4268) Информатика- (17799) Искусство- (1338) История- (13644) Компьютеры- (11121) Косметика- (55) Кулинария- (373) Культура- (8427) Лингвистика- (374) Литература- (1642) Маркетинг- (23702) Математика- (16968) Машиностроение- (1700) Медицина- (12668) Менеджмент- (24684) Механика- (15423) Науковедение- (506) Образование- (11852) Охрана труда- (3308) Педагогика- (5571) Полиграфия- (1312) Политика- (7869) Право- (5454) Приборостроение- (1369) Программирование- (2801) Производство- (97182) Промышленность- (8706) Психология- (18388) Религия- (3217) Связь- (10668) Сельское хозяйство- (299) Социология- (6455) Спорт- (42831) Строительство- (4793) Торговля- (5050) Транспорт- (2929) Туризм- (1568) Физика- (3942) Философия- (17015) Финансы- (26596) Химия- (22929) Экология- (12095) Экономика- (9961) Электроника- (8441) Электротехника- (4623) Энергетика- (12629) Юриспруденция- (1492) Ядерная техника- (1748) Arhitektura- (3434) Astronomiya- (809) Biologiya- (7483) Biotehnologii- (1457) Военни бизнесмен (14632) Висока technologies- (1363) Geografiya- (913) Geologiya- (1438) на държавата (451) Demografiya- ( 1065) Къща- (47672) журналистика и смирен (912) Izobretatelstvo- (14524) външен >(4268) Informatika- (17799) Iskusstvo- (1338) историята е (13644) Компютри- (11,121) Kosmetika- (55) Kulinariya- (373) културата е (8427) Lingvistika- (374) Literatura- (1642) маркетинг-(23702) математиците на (16968) Механична инженерно (1700) медицина-(12668) Management- (24684) Mehanika- (15423) Naukovedenie- (506) образователна (11852) truda- сигурност (3308) Pedagogika- (5571) Poligrafiya- (1312) Politika- (7869) Лево- (5454) Priborostroenie- (1369) Programmirovanie- (2801) производствено (97 182 ) индустрия- (8706) Psihologiya- (18388) Religiya- (3217) Svyaz (10668) Agriculture- (299) Sotsiologiya- (6455) на (42831) спортист строително (4793) Torgovlya- (5050) транспорт ( 2929) Turizm- (1568) физик (3942) Filosofiya- (17015) Finansy- (26596) химия (22929) Ekologiya- (12095) Ekonomika- (9961) Electronics- (8441) Elektrotehnika- (4623) Мощност инженерно ( 12629) Yurisprudentsiya- (1492) ядрена technics- (1748)

Предимства и недостатъци на моделите

Сравнение на прогнозни модели

В предишния раздел предоставя общ преглед на съществуващите модели за прогнозиране. В този раздел се обсъждат предимствата и недостатъците на не само на посочените по-горе модели и методи. Говорейки за предимствата и недостатъците на прогностични модели трябва да бъдат взети под внимание и съответните методи.

Регресия модели и методи. Предимствата на тези модели за предсказване включват простота, гъвкавост и последователност на анализа и дизайн [19]. Когато се използва линейна регресия модели предвиждат резултат може да се получи по-бързо, отколкото с други модели. Освен това предимство е прозрачността на моделиране [5], т. Е. Наличието за анализ на всички междинни изчисления.

Основният недостатък на нелинейни регресионни модели е сложността на определяне на вида на функционална зависимост на [14], както и сложността определяне параметрите на модела. Недостатъците на линейни регресионни модели са ниския капацитет за адаптация и липса на моделиране на нелинейни процеси [28].

Авторегресионна модели и методи. Важни предимства на този клас модели е тяхната простота и прозрачност на моделирането. Друго предимство е, последователността на анализ и дизайн, присъщи на работата [1]. Към днешна дата, този клас модели е един от най-популярните [3], и по тази причина в публичното пространство е лесно да се намерят примери за използването на AR модели за решаване на проблемите на прогнозирането на времето серия от различни тематични области.

Недостатъците на този клас модели са: голям брой примерни параметри, идентификацията на което е неясна и ресурсите [4]; ниско адаптивността на модели, както и линейни и като следствие на липса на способност за моделиране на нелинейни процеси са често срещани в практиката. [26]

Модели и методи за експоненциалното изглаждане. Предимствата на този клас модели е простотата и последователността на техния анализ и дизайн. Този клас модели най-често се използват за дългосрочно прогнозиране. [24]

Недостатъкът на този клас модели за прогнозиране е липсата на гъвкавост [36].

Невронни модели мрежови и методи. Основното предимство на модели на невронни мрежи е нелинейност, т.е. способността да се установи не-линейна зависимост между бъдеще и действителните стойности на процеса. Други важни предимства са: адаптивност, скалируемост (паралелна структура ANN ускорява изчисление) и еднородността на техния анализ и дизайн [25].

На същите недостатъци са липсата на прозрачност на моделирането ANN; сложността на архитектурата за избор, високите изисквания за съгласуваност на пробата за обучение; сложността на алгоритъм за избора на преподаване и интензивно използване на ресурсите процес на учене [5].



Модели и методи, основаващи се на Марков вериги. Опростеност и последователност на анализа и дизайна предимства са модели, базирани на Марковски вериги.

Недостатъкът на тези модели е липсата на възможности за моделиране процес с дълга памет. [30]

Модели на базата на класификация и регресия дървета. Предимствата на този клас модели са: мащабируемост, поради възможен бърза обработка на супер-големи обеми от данни; и скорост неяснота дърво процес на обучение (за разлика от ANN) [9], и възможността да се използва категорични външни фактори.

Недостатъците на тези модели са двусмислието на алгоритъм за построяване на структурата на дърво; сложността на проблема, който се спря въпроса кога да спре по-нататъшното разклонения; липсата на единство на техния анализ и дизайн [31].

Предимства и недостатъци на модели и методи са обобщени в Таблица 1.

Таблица 1. Сравнение на моделите и методите за прогнозиране

Модел и Метод достойнство недостатъци
Регресия модели и методи Простота, гъвкавост, прозрачност симулация; еднаквост анализ и дизайн трудностите при определяне на функционалната зависимост; сложността на намирането на зависимостта на коефициентите; липса на моделиране на нелинейни процеси (нелинейна регресия)
Авторегресионна модели и методи простота, прозрачност на моделирането; еднаквост анализ и дизайн; много примери на труда и идентификация модел изисква много ресурси; неспособност за нелинеен моделиране; ниска адаптивност
Модели и методи за експоненциално изглаждане облекчаване на моделиране; еднаквост анализ и дизайн липса на гъвкавост; стесняване на приложимостта на тези модели
Невронни модели мрежови и методи нелинейни модели; скалируемост, висока адаптивност; еднаквост анализ и дизайн; много примери на липса на прозрачност; сложността на избора на архитектура; строги изисквания за набор обучение; трудността на избора на алгоритъм за обучение; интензивност на ресурсите на учебния процес
Модели и методи, основани на Марковски вериги облекчаване на моделиране; еднаквост анализ и дизайн неспособност за моделиране на процеса, с дълга памет; стесняване на приложимостта на тези модели
Модели и методи, на основата на класификация и регресия дървета мащабируемост; скорост и простота на учебния процес; способността да се вземат под внимание категорийните променливи двусмислието на алгоритъм за построяване на дървото; сложност на спирката на издаване

Трябва да се отбелязва по-нататък, че за всяка от изследваните групи на модели (и методи) на съществото не е уточнено прогнози точност. Това се прави поради факта, че точността на прогнозата на процес зависи не само от схемата, но и опита на изследователите, наличието на данни от наличния капацитет хардуер и много други фактори. Точността на прогнози ще бъдат оценявани за специфичните задачи, за да бъдат решени в рамките на тази работа.

Редица изследвания [2], [36], [37] посочва, че до момента най-често срещаните модели за прогнозиране са авторегресивен модел (ARIMAX), и модели на невронни мрежи (Ann). В статията [3], и по-специално, потвърждава: «Без съмнение ARIMA (X) и Grach моделиране методологии са най-популярните методологии за времето прогнозиране серия. Невронни мрежи сега са най-големите претендентите за методи конвенционален времеви серии прогнозиране ». (Без съмнение ARIMA модел (X) и GARCH са най-популярни за времето прогнозиране серия. В момента основните конкурса за модел на данните е модел, базиран на ANN.)

<== Предишна лекция | На следващата лекция ==>
| Предимства и недостатъци на моделите

; Дата: 01.20.2014; ; Прегледи: 975; Нарушаването на авторските права? ;


Ние ценим Вашето мнение! Беше ли полезна публикуван материал? Да | не



ТЪРСЕНЕ:


Вижте също:



zdes-stroika.ru - Studopediya (2013 - 2017) на година. Тя не е автор на материали, и дава на студентите с безплатно образование и използва! Най-новото допълнение , Al IP: 66.102.9.26
Page генерирана за: 0.048 сек.