Для прогнозирования нестационарных временных рядов существует много методов и моделей, однако, проблема точности и адекватности прогноза таких рядов по-прежнему является актуальной. В настоящей статье предложена новая модель прогноза, основанная на мультивейвлетной сети с дополнительными настраиваемыми параметрами, названной полиморфной. Эффективность предложенной модели сравнена с хорошо известными моделями прогноза временных рядов: моделью авторегрессионного интегрированного скользящего среднего, многослойным персептроном и гибридной моделью, комбинирующей обе указанные модели. В качестве экспериментальных данных были использованы три реальных, хорошо известных в статистике временных ряда: данные о солнечных пятнах Вольфа, данные о популяции канадской рыси и данные об обменном курсе британского фунта к доллару США. Сравнение показало, что предложенная модель прогноза на основе мультивейвлетной полиморфной сети обладает меньшей ошибкой прогноза для всех рассмотренных рядов. Это достигнуто благодаря введению дополнительных настраиваемых параметров в вейвлетсеть, которые позволяют лучше адаптироваться к нестационарной природе временных рядов. Кроме того, наличие в структуре предложенной вейвлет-сети прямых связей между вейвлет-нейронами входного и выходного слоев улучшает ее прогностические свойства для временных рядов, имеющих линейную составляющую. Предложенная технология может быть использована для прогноза временных рядов, генерируемых динамическими процессами различной физической природы.
There are many methods and models for forecasting non-stationary time series. However, the problem of the accuracy and adequacy of the forecast of non-stationary time series has not been solved yet. In this paper, a new forecast model, based on a multiwavelet network with additional customizable parameters, which is called polymorphic, is proposed. The efficiency of the proposed model is compared with the well-known time series forecast models like autoregressive integrated moving average model, multilayer perceptron and hybrid model in which both models are combined. Three well-known real data sets (the Wolf's sunspot data, the Canadian lynx data and the British pound/US dollar exchange rate data) were taken as empirical data. The comparison showed that forecast model based on the proposed multiwavelet polymorphic network has a smaller prediction error for each series. This is achieved by introducing additional customizable parameters into the wavelet network, which allow to better adapt to the non-stationary nature of time series. Moreover, for the wavelet network to perform well in the presence of linearity, were used linear connections between the wavelet neurons of input and output layers. The proposed technology can be used to predict the time series generated by dynamic processes of a different nature.
The authors declare that there are no conflicts of interest present.