Search

Проблематика. Прогнозування нелінійних нестаціонарних процесів (ННП), поданих у формі часових рядів, є актуальним, оскільки такі ряди можуть описувати процеси в технічних й економічних системах. Для вибору найкращої математичної моделі використовують різні метрики оцінювання якості прогнозів, як-от: R^2, RMSE, MAE, MAPE. Однак оптимізація моделі за одним критерієм погіршує її відносно іншого. Тому важливо розуміти, яку метрику слід використовувати для оптимізації та оцінки якості прогнозу в поставленій задачі. Мета дослідження. Розробити та проаналізувати критеріальну базу для оцінювання прогнозів ННП, а також підхід до вибору критерію якості з урахуванням особливостей поставленої задачі прогнозування. Методика реалізації. Виконання порівняльного аналізу основних метрик для задачі регресії, а саме їхнього теоретичного та практичного змісту, переваг і недоліків у різних випадках. Результати дослідження. Сформовано критеріальну базу для оцінювання прогнозів ННП, а також підхід до вибору критерію якості з урахуванням особливостей поставленої задачі прогнозування. Для мінімізації абсолютної похибки проаналізовано та рекомендовано використовувати метрики RMSE (MSE, R^2) і MAE залежно від необхідності роботи з викидами. Для розв’язання задач мінімізації відносної помилки запропоновано використовувати метрику RMSLE. Висновки. Показано важливість вибору метрики для оптимізації та оцінювання якості прогнозу в поставленій задачі. Отримані критеріальну базу та підхід можна використовувати в подальших дослідженнях як для розв’язання практичних задач моделювання та прогнозування ННП, так і для розробки нових методів або загальної методики розв’язання цих задач.

The study is directed towards development of an adaptive decision support system for modeling and forecasting nonlinear nonstationary processes in economy, finances and other areas of human activities. The structure and parameter adaptation procedures for the regression and probabilistic models are proposed as well as the respective information system architecture and functional layout are developed. The system development is based on the system analysis principles such as adaptive model structure estimation, optimization of model parameter estimation procedures, identification and taking into consideration of possible uncertainties met in the process of data processing and mathematical model development. The uncertainties are inherent to data collecting, model constructing and forecasting procedures and play a role of negative influence factors to the information system computational procedures. Reduction of their influence is favourable for enhancing the quality of intermediate and final results of computations. The illustrative examples of practical application of the system developed proving the system functionality are provided.