Wykorzystanie podejścia immunologicznego do prognozowania szeregów czasowych

• Autorzy: Pełech-Pilichowski T. , Duda J.T.

Warianty tytułu

EN

An application of immune approach to time series forecasting

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono koncepcję wykorzystania paradygmatu immunologicznego do wykrywania zdarzeń symptomatycznych, zwiastujących załamania trendu w szeregach czasowych, umożliwiających zwiększenie skuteczności krótko- i średnioterminowej predykcji ekstrapolacyjnej, prowadzonej z wykorzystaniem testów największej wiarygodności. Opisano koncepcję immunopodobnego algorytmu, definicje podstawowych obiektów systemu, przedstawiono przykładowe wyniki obliczeń numerycznych.

EN

This article presents an idea of application of immune paradigm to symptomatic event detection, announcing long-term trend changes in time series that give a possibility to improve efficiency of short and medium-term prediction based on linear trend extrapolation. A conception of immune-like algorithm and definition of main system objects are presented, exemplary results of calculation (applied to financial time series) given with partially implementation of proposed immune-based algorithm are showed.

Słowa kluczowe

PL

detekcja zdarzeń; predykcja; system immunologiczny sztuczny; szeregi czasowe

EN

event detection; prediction; artificial immune systems; data mining; time series

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2009
• Tom: T. 13, z. 2
• Strony: 551--561
• Opis fizyczny: Bibliogr. 25 poz., tab.

Twórcy

autor

Pełech-Pilichowski T.

• Katedra Informatyki Stosowanej, Akademia Górniczo-Hutnicza w Krakowie

autor

Duda J.T.

• Katedra Informatyki Stosowanej, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• [1] Holt CC, Forecasting Seasonals And Trends By Exponentially Weighted Moving Averages. Pittsburgh, Pennsylvania, Carnegie Institute of Technology, 1957.
• [2] Box G.E.P., Jenkins G.M., Time Series Analysis. Forecasting and Control. Holden-Day, 1976.
• [3] Engle R.F., Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, Vol. 50 Issue 4, 1982.
• [4] Buhmann M.D., Ablowitz M.J., Radial Basis Functions: Theory and Implementations. Cambridge University, 2003.
• [5] Keogh E.J., Pazzani M.J., An Enhanced Representation of Time Series which Allows Fast and Accurate Classification, Clustering an Relevance Feedback. International Conference of Knowledge Discovery and Data Mining, AAAI Press, 1998.
• [6] Stibor T., Mohr P., Timmis J., Eckert C, Is Negative Selection Appropriate for Anomaly Detection? Conference on Genetic and Evolutionary Computation, ACM Press, 2005.
• [7] Basseville M., Detecting Changes in Signals and Systems - A Survey. Automatica, Journal of IFAC, vol. 24, Issue 3, 1988.
• [8] Wetherill G.B., Brown D.W., Statistical Process Control. Theory and Practice. Chapman and Hall, 1991.
• [9] Duda J.T., Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. UWND AGH, Kraków, 2003.
• [10] Nunn I., White T., The Application of Antigenic Search Techniques to Time Series Forecasting. Conference on Genetic and Evolutionary Computation, ACM Press, 2005.
• [11] Lin J., Keogh E., Fu A., Van Herle H., Approximations to Magic: Finding Unusual Medical Time Series. IEEE Symposium on Computer-Based Medical Systems, IEEE Computer Society, 2005.
• [12] Papadimitriou S., Sun J., Faloutsos C, Streaming Pattern Discovery in Multiple Time-Series. International Conference on Very Large Data Bases, 2005.
• [13] Duda J.T., Augustynek A., Cyclic Properties and Predictivity of LME Prices of Selected Metals in One Month to One-Year Horizon. [w:] Współczesne problemy zarządzania przedsiębiorstwami w gospodarce rynkowej. Red. nauk. Howaniec H., Waszkielewicz W., Wydawnictwo Akademii Techniczno-Humanistycznej, Bielsko-Biała, 2008.
• [14] Dasgupta D., Ji Z., Gonzalez F., Artificial Immune System (AIS) Research in the Last Five Years. Congress on Evolutionary Computation, 2003
• [15] de Castro L.N., Timmis J., Artificial Immune Systems: A New Computational Intelligence Approach. Springer, 2002.
• [16] Banchereau J., Briere F., Caux C, Davoust J., Lebecąue S., Liu Y., Pulendran B., Palucka K., Immunobiology of Dendritic Cells. Annual Review of Immunology, Vol. 18, 2000.
• [17] Glickman M., Balthrop J., Forrest S., A Machinę Learning Evaluation of an Artificial Immune System. Evolutionary Computation Journal, Vol. 13, No 2, 2005.
• [18] Dasgupta D., KrishnaKumar K., Wong D., Berry M., Negative Selection Algorithm for Aircraft Fault Detection. International Conference on Artificial Immune Systems, 2004.
• [19] Hunt J.E., Cooke D.E., Learning Using An Artificial Immune System. Journal of Network and Computer Applications, Special Issue on Intelligent Systems: Design and Application, vol. 19, 1996.
• [20] Timmis J., Neal M., Hunt J., An Artificial Immune System for Data Analysis. Biosystems, vol. 55 Issues 1-3, Elsevier, 2000.
• [21] Murphy J.J., Analiza techniczna rynków finansowych. WIG-Press, Warszawa, 1999.
• [22] Pełech-Pilichowski T., Adaptacyjne algorytmy detekcji zdarzeń w szeregach czasowych. Rozprawa doktorska, WEAIiE AGH, Kraków 2008.
• [23] Pełech-Pilichowski T., Duda J.T., Miary podobieństwa szeregów w detekcji zdarzeń. Diagnostyka Procesów i Systemów 2009, artykuł w druku.
• [24] Pełech T., Duda J.: Event Detection in Financial Time Series By Immune-Based Approach. Intelligent Information Processing and Web Mining, Advances in Soft Computing, Springer, 2006.
• [25] Toshniwal D., Joshi R.C., Finding Similarity in Time Series Data by Method of Time Weighted Moments. Australasian Database Conference, vol. 39, 2005.