Page 86 - 4268
P. 86

Для  однопараметричної  задачі  прогнозування  навчальна
            множина  матиме  вигляд  наведений  в  табл.  3.  Під  час  навчання
            мережа  налаштовує  коефіцієнти  ваг  зв'язків  і  поліномів
            передатних  функцій,  які  в  подальшому  і  визначають  режим
            функціонування.  Багатокрокове  прогнозування  часового  ряду
            здійснюється наступним чином (рис. 40). На входи нейромережі
            подається  вектор  відомих  значень  x(t ),  x(t ),  x(t ).  На  виході
                                                                                     n
                                                                           n-1
                                                                  n-2
            формується  прогнозована величина  x*(t                 n+1 ),  яка визначає  вектор
            прогнозованих  виходів  і  одночасно  долучається  до  значень
            навчальної множини, тобто, приймається як достовірна. Далі на
            входи  подається  вектор  x(t ),  x(t ),  x*(t                  n+1 ),  а  на  виході
                                                       n-1
                                                                 n
            отримується x*(t       n+2 ) і наступні прогнозовані значення.












                     Рисунок 9.2 – Послідовність використання НМ для задач
                                    багатокрокового прогнозування
                  Для  багатопараметричної  задачі  прогнозування  на  входи
            навченої нейромережі подаються вектори x(t ), y(t ), z(t ), x(t                          n-
                                                                          n-2
                                                                                   n-2
                                                                                            n-2
             ), y(t ), z(t ), x(t ), y(t ), z(t ). На виході продукуються величини
            1       n-1     n-1      n      n      n
            x*(t n+1 ), y*(t n+1 ), z*(t n+1 ), які формують вектор вихідних значень і
            послідовно  долучаються  до  значень  навчальної  множини.  При
            зсуві вікна на крок прогнозу вихідні дані, що були спродуковані
            мережею,  сприймаються  як  реальні  і  приймають  участь  у
            прогнозуванні  наступного  значення  виходу,  тобто  на  входи
            подаємо вектор x(t ), y(t ), z(t ), x(t ), y(t ), z(t ), x*(t              n+1 ), y*(t n+1 ),
                                      n-1
                                               n-1
                                                                       n
                                                       n-1
                                                                n
                                                                              n
            z*(t n+1 ), а на виході отримуємо x*(t           n+2 ), y*(t n+2 ), z*(t n+2 ) і наступні
            прогнозовані значення.
                  Багатокрокове  прогнозування  дозволяє  робити  коротко-  та
            середньотермінові прогнози, оскільки суттєвий вплив на точність
            має накопичення похибки на кожному кроці прогнозування. При
            застосуванні  довготермінового  багатокрокового  прогнозування
            спостерігається  характерне  для  багатьох  прогнозуючих  систем
            поступове  затухання  процесу,  фазові  зсуви  і  інші  спотворення
            картини  прогнозу.  Такий  тип  прогнозування  підходить  для
            часових  рядів,  які  підпадають  під  означення  стаціонарного
            процесу з невеликою випадковою складовою.








                                                         86
   81   82   83   84   85   86   87   88   89   90   91