Читать статью 'Кусочно-линейная аппроксимация при решении задач извлечения данных' в журнале Программные системы и вычислительные методы на сайте nbpublish.com
Рус Eng Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Сидоркина И.Г., Шумков Д.С. Кусочно-линейная аппроксимация при решении задач извлечения данных

Опубликовано в журнале "Программные системы и вычислительные методы" в № 2 за 2013 год в рубрике "Математическое моделирование и вычислительный эксперимент" на страницах 171-175.

Аннотация: Прогнозирование является одним из основных вопросов, которые возникают при анализе временных рядов. При этом ставится задача определить будущее поведение временного ряда по его известным прошлым значениям. В данной работе предложен метод для прогнозирования временных рядов, который базируется на идеи выделения базовых паттернов (шаблонов) из исходных данных и позволяет установить внутренние закономерности исследуемого ряда. На сегодняшний момент одним из подходов, в котором ведутся исследования в области прогнозирования временных рядов, является системы Data Mining или “раскопка данных”. Это связано с тем, что классические методы, основанные исключительно на линейных (ARIMA) и нелинейных (GARCH) моделях прогнозирования, не позволяют достичь необходимой точности прогноза. Используя методы, разработанные в рамках данной технологии, можно увеличить эффективность прогнозирования и выявить скрытые закономерности в исследуемых временных рядах.

Ключевые слова: временной ряд, аппроксимация, кусочно-линейная аппроксимация, прогнозирование, раскопки данных, базовые шаблоны, паттерны, локальные экстремумы.

DOI: 10.7256/2305-6061.2013.2.7943

Эта статья может быть бесплатно загружена в формате PDF для чтения. Обращаем ваше внимание на необходимость соблюдения авторских прав, указания библиографической ссылки на статью при цитировании.

Скачать статью

Библиография:
1. Last M., Kandle A, Bunke H. Data Mining in Time Series Databases. Series in Machine Perception and Artificial
Intelligence. Vol. 57. — World Scientific, 2004. — 205 p.
2. Witten, I.H. (Ian H.) Data mining: practical machine learning tools and techniques / Ian H. Witten, Eibe
Frank. — 2nd ed. — Elsevier, 2005. — 558 p.
3. Keogh, E.J., Chakrabarti, K., Mehrotra, S., and Pazzani, M.J. (2001a). Locally Adaptive Dimensionality Reduction
for Indexing Large Time Series Databases. Proc. 2001 ACM SIGMOD Conf. on Management of
Data. pp. 151–162.
4. Kim, S., Park, S., and Chu, W.W. (2001). An Index-Based Approach for Similarity Search Supporting Time
Warping in Large Sequence Databases. Proc. 17th Int. Conf. on Data Engineering (ICDE). pp. 607–614.
5. Дюк В. Data Mining: учебный курс (+ CD). — СПб: Питер, 2001. — 386 с.
6. Лебедев Е.К. Вычисление вероятностей переходов для цепей Маркова, аппроксимирующих сигна-
лы в фазовых системах / Е.К. Лебедев, Н.А. Галанина, Н.Н. Иванова // Вестник Чувашского универ-
ситета. — 2001. — № 3. — С. 89-100.

Правильная ссылка на статью:
просто выделите текст ссылки и скопируйте в буфер обмена