Анализ и выбор оптимального метода прогнозирования временных рядов на примере индекса промышленного производства компьютеров, электронных и оптических изделий

Авторы: Додонова А.А.
Опубликовано в выпуске: #4(69)/2022
DOI: 10.18698/2541-8009-2022-4-783
Раздел: Экономика и организация производства
Ключевые слова: индекс промышленного производства, прогнозирование, временные ряды, фрактальный анализ, индекс фрактальности, самоподобие, регрессия, стохастические процессы
Опубликовано: 28.04.2022

Ключевое место в данной статье занимает анализ и выбор оптимального метода прогнозирования временных рядов. Сложность прогнозирования такого рода данных в том, что зачастую они представляют собой отражение сложных хаотичных систем, на которые влияет огромное число различных факторов. Особое внимание в работе уделено важности применения новых, более точных методов прогнозирования, поскольку в условиях быстро изменяющейся среды организации требуется сократить время реагирования на возникающие изменения. Рассмотрен пример проведения фрактального анализа временного ряда индекса промышленного производства компьютеров, электронных и оптических изделий с целью оценки возможностей дельнейшего прогнозирования данного временного ряда.

Литература

[1] Aleksandrov A.A., Pavlov A.M. Application of big data in engineering industry. AIP Conf. Proc., 2021, vol. 2318, no. 1, art. 07000. DOI: https://doi.org/10.1063/5.0036191

[2] Бром А.Е., Картвелишвили В.М., Омельченко И.Н. Теория и практика моделирования динамики экономических систем в промышленности. М., Изд-во МГТУ им. Н.Э. Баумана, 2018.

[3] Omelchenko I.N., Lyakhovich D.G., Aleksandrov A.A. et al. Development of a design algorithm for the logistics system of product distribution of the mechanical engineering enterprise. Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение, 2020, № 3, с. 62–69. DOI: https://doi.org/10.18698/0236-3941-2020-3-62-69

[4] Тихонов Э.Е. Прогнозирование в условиях рынка. Невинномысск, НТИ, 2006.

[5] Alfares H., Nazeeruddin M. Electric load forecasting: literature survey and classification of methods. Int. J. Syst. Sci., 2002, vol. 33, no. 1, pp. 23–34. DOI: http://dx.doi.org/10.1080/00207720110067421

[6] Catalao J. An artificial neural network approach for day-ahead electricity prices forecasting. 6th WSEAS Int. Conf. Neural Networks. Stevens Point, 2005, pp. 80–83.

[7] Boffetta G., Cencini M., Falconi M. et al. Predictability: a way to characterize complexity. Phys. Rep., 2002, vol. 356, no. 6, pp. 367–374. DOI: https://doi.org/10.1016/S0370-1573(01)00025-4

[8] Олемской А.И., Борисюк В.Н., Шуда И.А. Мультифрактальный анализ временных рядов. Вестник СумДУ. Сер. Физика, математика, механика, 2008, № 2, с. 70–81.

[9] Mandelbrot B. The fractal geometry of nature. ‎ Times Books, 1982.

[10] Петерс Э. Фрактальный анализ финансовых рынков. М., Интернет-трейдинг, 2004.

[11] Prajakta S. Time series forecasting using holt-winters exponential smoothing. Kanwal Rekhi School of Information Technology, 2004.