Прогнозування і часові ряди

Основою для прогнозування служить історична інформація, що зберігається в базі даних у вигляді часових рядів.

Існує поняття Data Mining часових рядів (Time-Series Data Mining).

Докладно з цим поняттям можна ознайомитися в [23].

На основі ретроспективної інформації у вигляді часових рядів можливе вирішення різних задач Data Mining. На рис. 6.1 представлені результати опитування відносно Data Mining часових рядів. Як бачимо, найбільший відсоток (23%) серед розв'язуваних задач займає прогнозування. Далі йдуть класифікація і кластеризація (по 14%), сегментація і виявлення аномалій (по 9%), виявлення правил (8%). На інші задачі доводиться менше 6%.

Рис. 6.1. Data Mining часових рядів

Однак щоб зосередитися на понятті прогнозування, ми будемо розглядати часові ряди лише в рамках вирішення задач прогнозування.

Приведемо дві принципових відмінності часового ряду від простої послідовності спостережень:

Ø Члени часового ряду, на відміну від елементів випадкової вибірки, не є статистично незалежними.

Ø Члени часового ряду не є однаково розподіленими.

Часовий ряд – послідовність спостережуваних значень якої-небудь ознаки, впорядкованих у невипадкові моменти часу.

Відмінністю аналізу часових рядів від аналізу випадкових вибірок є припущення про рівні проміжки часу між спостереженнями і їх хронологічним порядком. Прив'язка спостережень до часу грає тут ключову роль, тоді як при аналізі випадкової вибірки вона не має ніякого значення.

Типовий приклад часового ряду – дані біржових торгів.

Інформація, накопичена в різноманітних базах даних підприємства, є часовими рядами, якщо вона розташована в хронологічному порядку й зроблена в послідовні моменти часу.

Аналіз часового ряду здійснюється з метою:

Ø визначення природи ряду;

Ø прогнозування майбутніх значень ряду.

У процесі визначення структури і закономірностей часового ряду передбачається виявлення: шумів і викидів, тренда, сезонного компонента, циклічного компонента. Визначення природи часового ряду може бути використане як своєрідна "розвідка" даних. Знання аналітика про наявність сезонного компонента необхідно, наприклад, для визначення кількості записів вибірки, що повинні брати участь у побудові прогнозу.

Шуми і викиди будуть докладно обговорюватися в наступних лекціях курсу. Вони ускладнюють аналіз тимчасового ряду. Існують різні методи визначення і фільтрації викидів, що дають можливість виключити їх з метою більш якісного Data Mining.

Читайте також:

<== попередня сторінка	\|	наступна сторінка ==>
Порівняння задач прогнозування і класифікації	\|	Тренд, сезонність і цикл

Не знайшли потрібну інформацію? Скористайтесь пошуком google:

Генерація сторінки за: 0.003 сек.