Adaptive kernel algorithms for time series prediction

• Autorzy: Michalak M.

Warianty tytułu

PL

Adaptacyjne algorytmy jądrowe w predykcji szeregów czasowych

• Języki publikacji: EN

Abstrakty

EN

The article describes two kernel algorithms of the regression function estimation, that are used for the time series prediction. First of them {HASKE) has its own heuristic of the h parameter evaluation. The second (HKSVR) connects SVMand the HASKE in such way that it is based on the HASKE heuristic of local neighborhood evaluation.

PL

W artykule opisano dwa nowe algorytmy estymacji funkcji regresji, zastosowane do predykcji szeregów czasowych. Pierwszy z nich (HASKE) opiera się na pewnej heurystyce wyznaczania parametru wygładzającego. Drugi z nich (HKSVR) łączy HASKE z SVR przez wykorzystanie wspomnianej heurystyki.

Słowa kluczowe

EN

time series prediction; kernel estimators; nonparametric regression; support vectors machine

PL

predykcja szeregów czasowych; estymatory jądrowe; regresja nieparametryczna; maszyny wektorów podpierających

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2009
• Tom: Vol. 30, nr 3A
• Strony: 25--35
• Opis fizyczny: Bibliogr. 34 poz.

Twórcy

autor

Michalak M.

• Instytut Informatyki Politechnika Śląska, 44-100 Gliwice, ul. Akademicka 16 tel. [phone],

Bibliografia

• 1. S&P500 historical data. http://stooq.pl/q/d/?s=s%26p500.
• 2. de Boor C: A practical guide to splines. Springer, 2001.
• 3. Boser B. E., Guyon I. M., Vapnik V. N.: A training algorithm for optimal margin classifiers. In Proc. of the 5th annual workshop on Computational learning theory, Pittsburgh 1992, s. 144-152.
• 4. Box G. E. P., Jenkins G. M.: Analiza szeregów czasowych. PWN, Warszawa 1983.
• 5. Cao L. J., Tay F. E. H.: Svm with adaptive parameters in financial time series forecasting. IEEE Trans, on Neural Networks, 14(6), 2003, s. 1506-1518.
• 6. Cleveland W. S., Devlin S. J.: Locally weighted regression. Jour, of the Am. Stat. Ass.,83(403), 1988, s. 596-610.
• 7. Epanechnikov V. A.: Nonparametric estimation of a multivariate probability density. Theory of Probability and Its Applications, 14,1969, s. 153-158.
• 8. Fan J., Gijbels I.: Variable bandwidth and local linear regression smoothers. Annals of Statistics, 20(4), 1992, s. 2008-2036.
• 9. Fernandez R.: Predicting time series with a local support vector regression machine. In Proc. of the ECCAI Advanced Course on Artificial Intelligence '99.
• 10. Friedman J. H.: Multivariate adaptive regression splines. Annals of Statistics, 19(1), 1991,s. 1-141.
• 11. Gajek L., Kałuszka M.: Wnioskowanie statystyczne. WNT, Warszawa 2000.
• 12. Gasser T., Kneip A., Kohler W.: A flexible and fast method for automatic smoothing. Jour, of the Am. Stat. Ass., 86(415), 1991, s. 643-652.
• 13. Gasser T., Muller H. G.: Estimating regression function and their derivatives by the kernel method. Scandinavian Journal of Statistics, 11,1984, s. 171-185.
• 14. Hastie T. J., Tibshirani R. J.: Generalized Additive Models. Chapman & Hall/CRC, 1990.
• 15. Huang K., Yang H., King I., Lyu M.: Local svr for financial time series prediction. In Proc of IJCNN'06, Vancouver 2006, s. 1622-1627.
• 16 Kaastra I., Boyd M.: Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 1996, s. 215-236.
• 17. Koronacki J., Ćwik J.: Statystyczne systemy uczące się. WNT, Warszawa 2005.
• 18. Kulczycki P.: Estymatory jądrowe w analizie systemowej. WNT, Warszawa 2005.
• 19. Michalak M.: Możliwości poprawy jakości usług w transporcie miejskim poprzez monitoring natężenia potoków pasażerskich. In ITS dla Śląska, Katowice 2008.
• 20. Michalak M., Stąpor K.: Estymacja jądrowa w predykcji szeregów czasowych. Studia Informatica, Vol. 29, No 3A(78), Gliwice 2008, s. 71 -90.1-141.
• 21. Muller K. R., Smolą A. J., Ratsch G., Scholkopf B., Kohlmorgen J., Vapnik V.: Predicting time series with support vector machines. In Proceedings of the 7th ICANN, LNCS(1327), Springer-Verlag, London 1997, s. 999-1004.
• 22. Nadaraya E. A.: On estimating regression. Theory of Probability and Its Applications, 9(1), 1964, s. 141-142.
• 23. Scholkopf B., Smola A.: Learning with Kernels. MIT Press, 2002.
• 24. Sikora M., Kozielski M., Michalak M.: Innowacyjne narzędzia informatyczne analizy danych. Wydział Transportu, Gliwice 2008.
• 25. Silverman B. W.: Density Estimation for Statistics and Data Analysis. Chapman & Hall, 1986.
• 26. Smola A. J.: Regression estimation with support vector learning machines. Master's thesis, Technische Universitat Munchen 1996.
• 27. Smola A. J., Scholkopf B.: A tutorial on support vector regression. Statistics and Computing, 14(3), 2004, s. 199-222.
• 28. Taylor J. S., Cristianini N.: Kernel Methods for Pattern Analysis. Cambridge University Press, 2004.
• 29. Terrell G. R... The maximal smoothing principle in density estimation. Jour, of the Am. Stat. Ass., 85(410), 1990, s. 470-477.
• 30. Terrell G. R., Scott D. W.: Variable kernel density estimation. Annals of Statistics, 20(3), 1992, s. 1236-1265.
• 31. Turlach B. A.: Bandwidth selection in kernel density estimation: A review. Technical report, Universite Catholique de Louvain, 1993.
• 32. Vapnik V. N.: Statistical Learning Theory. Wiley, 1988.
• 33. Wand M. P., Jones M. C: Kernel Smoothing. Chapman & Hall, 1995.
• 34. Watson G. S.: Smooth regression analysis. Sankhya - The Indian Journal of Statistics, 26(4), 1964, s. 359-372.