Estymacja jądrowa w predykcji szeregów czasowych

• Autorzy: Michalak, M. , Stąpor, K.

Warianty tytułu

EN

Kernel estimation in the time series prediction

• Języki publikacji: PL

Abstrakty

PL

Artykuł opisuje problem predykcji w szeregach czasowych. Autorzy opisują modyfikację algorytmu jądrowego, którą porównują z metodą dekompozycji. W wyniku zastosowania zmodyfikowanego algorytmu zmniejszono błąd predykcji o jedną trzecią w porównaniu z najlepszym wynikiem uzyskanym metodą dekompozycji. Do eksperymentów użyto zarówno danych syntetycznych, jak i rzeczywistych.

EN

This paper raises a problem of time series prediction. Authors describe a modification of kernel prediction and compare it with the time series decomposition. The final prediction error was decreased by one third in comparison with the best result of time series decomposition. Experiments were conducted on the real and synthetic data.

Słowa kluczowe

PL

szereg czasowy; predykcja; estymacja jądrowa

EN

series prediction; prediction; kernel estimation

• Czasopismo: Studia Informatica
• Rocznik: 2008
• Tom: Vol. 29, nr 3A
• Strony: 71-90
• Opis fizyczny: Bibliogr. 25 poz.

Twórcy

autor

Michalak, M.

autor

Stąpor, K.

• Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki, Instytut Informatyki Gliwice, ul. Akademicka 16, pokój 411,

Bibliografia

• 1. Bielińska E.: Metody prognozowania. Wydawnictwo Śląsk, Katowice 2002.
• 2. Boser B. E., Guyou M. I., Vapnik V.: A training algorithm for optimal margin classifiers. Fifth Annual Workshop on Computational Learning Theory, Pittsburgh 1992.
• 3. Box J. E. P., Jenkins G. M.: Analiza szeregów czasowych. PWN, Warszawa 1992.
• 4. Bowrnan A.: An alternative method of cross-validation for the smoothing of density estimates. Biometrika, 71, 1984, s. 353-360.
• 5. Cao L. J., Tay F.: Support vector Machine With Adaptive Parameters in Financial Time Series Forecasting, IEEE Transactions on Neural Networks, Volume 14, Issue 6, Nov. 2003, s. 1506-1518.
• 6. Diun R P. W.: On the choice of smootling parameters of Parzen estimators of probability density functions. IEEE Transactions on Computers, C-25, 1976, 1175-1179.
• 7. Fan J., Gijbels I.: Variable band with and local linear regression smoothers. The Annals of Statistics, 1992, Vol. 20, No. 4, s. 2008-2036.
• 8. Gajek L., Kałuszka M.: Wnioskowanie statystyczne. WNT, Warszawa 2000
• 9. Gasser T., Kneip A., Kohler W.: A flexible and fast method for authomatic smoothing. Journal of the American Statistical Association, 1991, Vol. 86, No. 415, s. 643-652.
• 10. Gasser T., Muller H. G.: Estnnatmg Regression Functiou and Their Derivatives by the Kernel Method. Scandinavian Journał of Statistics, 11, 1984, s. 171-185.
• 11. Habbema J. D. F., Heimans J., van den Broek K: A stepwise discrimination analysis program using density estimation. Compstat 1974: Proceedings in Computational Statistic, Physica Verlag, Vienna 1974.
• 12. Hall P.. Marron J. S., Park B. U.: Smoothed Cross-Validation. Probability Theory and Related Fields, Vol. 92, No. 1, 1992, s. 1-20.
• 13. Hardle W.: Smoothing Techniques With Implementation in S. Springer, New York 1991.
• 14. Jóźwiak J., Podgórski J.: Statystyka od podstaw. PWE. Warszawa 2006.
• 15. Koronacki J., Ćwik J.: Statystyczne systemy uczące się. WNT, Warszawa 2005.
• 16. Kulczycki P.: Estymatory jądrowe w analizie systemowej. WNT, Warszawa 2005.
• 17. Michalak M., Stąpor K: Ocena rzeczywistej wydajności wybranych regresorów. Studia Informatica, Vol. 29, No. 1 (75), s 23-34,2008.
• 18. Rudemo M.: Empirical choice of histograms and kernel density estimators. Scandinavian Journal of Statistics, 9, 1982, s. 65-78.
• 19. Scott D. W., Tapia R. A., Thompson J. R: Kernel density estimation revisited. Nonlinear Analysis, Theory, Methods and Applications, 1,1977, s. 339-K572.
• 20. Scott D. W., Terrell G. R: Biased and Unbiased Cross-Validation in Density Estimation. Journal of the American Statistical Association. 82, 1987. s. 1131-1146.
• 21. Scott D. W.: Multivariate Density Estimation: Theory, Practice and Visualization. Wiley. 1992.
• 22. Silverman B,: Density estimation for statistics and data analysis. 1986, Monographs on Statistics and Applied Probability 26
• 23. Terrell G. R.: The Maximal Smoothing Principle in Density Estimation. Journal of the American Statistical Association. 85, (1990), s. 470-477.
• 24. Tiulach B. A.: Bandwidth Selection in Kernel Density Estimation: A Review. CORE and Institut de Statistique.
• 25. Woodroofe M.: On Choosing a Delta-Sequence. The Annals of Mathematical Statistics, Vol. 41, No. 5, 1970, s. 1665-1671