Собственные публикации и доклады
Авторы: Д. М. Сапицкая, С. В. Хмелевой
Источник: Информационно–управляющие системы и компьютерный мониторинг / Материалы V международной научно–технической конференции студентов, аспирантов и молодых ученых. – Донецк, ДонНТУ – 2014, секция 2.
Выполнен анализ входных данных. Получены значения сезонной составляющей. Вычислены значения первых и вторых разностей. Получены прогнозируемые данные. Выполнен анализ полученных данных.
Собственный перевод
2. Прогнозирование количества травм со смертельным исходом в подземных угольных шахтахАвторы: S. K. Oraee, A. Yazdani-Chamzini, M.H. Basiri
Перевод с англ.: Д. М. Сапицкая
Оригинал: Forecasting the number of fatal injuries in underground coal mines
В данной работе,гибридный метод сочетания ARIMA и искусственной нейронной сети использован для прогнозирования количества смертельных травм в США угольных шахтах. Это исследование показало, что результат, полученный после использования гибридной модели лучше, чем при использовании сплит–модели.
Избранные материалы
3. Скользящая средняя достоинства и недостатки методаИсточник: http://work-forex.ru/skolz.htm
В данной работе проанализированы слабые и сильные стороны метода анализа скользящей средней(МА), т. к. он является самым широко используемым и многоцелевым техническим индикатором, который может быть легко запрограммирован в компьютере, позволяя создавать эффективные, следующие за тенденцией системы технического анализа.
4. Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядовАвторы: Д. Н. Олешко, В. А. Крисилов
Источник: http://neuroschool.narod.ru/articles.html
В данной работе предложен ряд способов, позволяющих существенно сократить время обучения искусственных многослойных нейронных сетей с обратным распространением ошибки (Back Propagation). В качестве базового положения эти подходы используют Принцип Достаточности. Описана система прогнозирования временных рядов FORECAST, использующая для построения прогнозов нейронную сеть и указанные подходы, рассмотрено решение задачи прогнозирования экономических показателей.
5. Генетические алгоритмыИсточник: http://www.neuroproject.ru/genealg.php
В статье рассмотрены принцип работы и метода применения генетических алгоритмов.
6. Структурный анализ методик построения регрессионных моделей по временным рядам наблюденийАвторы: П. И. Бидюк, Т. Ф. Зворыгина
В работе выполнен анализ методик построения моделей типа авторегресси со скользящим средним (АРСС), АРСС с эндогенными переменными (АРССЭ) или АРСС с интегрированным скользящим средним (АРИСС). При этом указаны основные этапы моделирвоания временных рядов, рассмотрено понятие структуры модели и описаны варианты обычно применяемых методов и критериев на каждом из этапов.
7. Mетодологические основы построения математической модели, отражающей динамику поведения стационарной системыАвтор: Н. Ю. Братченко
Целью исследования является разработка методологических основ построения математической модели, отражающей динамику поведения системы для оценки ее стационарности.
8. Использование генетических алгоритмов в обучении нейронных сетейАвторы: В. А. Мищенко, А. А. Коробкин
Данная статья описывает вариант построения структуры генетического алгоритма, а также возможность применения таких алгоритмов в задачах обучения нейронных сетей. В статье проведены анализ и выделены преимущества генетических алгоритмов в поиске оптимальных решений по сравнению с классическими методами.
9. Прогнозирование, основанное на использование моделей временных рядовИсточник: С. А. Айвазян, Основы эконометрики – М.:Юнити, 2001
Рассмотрены примеры применения использования различных моделей временных рядов в пригнозировании.
10. Представление исходных данных в задачах нейросетевого прогнозированияАвторы: В. А. Крисилов, К. В. Чумичкин, А. В. Кондратюк
В работе рассматриваются вопросы предварительных преобразований данных в задачах прогнозирования временных рядов посредством нейронных сетей. Сформулированы требования к предварительным преобразованиям, необходимые для уменьшения ошибки прогноза. Приведены практические результаты применения предложенных соображений при прогнозировании финансовых временных рядов.