Page 85 - 4524

характеризується збільшенням дискретних відліків вихідної
величини і, відповідно, збільшенням часу, на який здійсню-
ється прогноз (час випередження Т вип). При багатокроковому
прогнозуванні Т вип=а*R, де R - кількість кроків обчислення
прогнозування; а - крок дискретизації вихідного параметра
(наприклад, рік, місяць, день, тощо).
За часом випередження розрізняють види прогнозів:
 згладжування, R= 0;
 короткотерміновий прогноз, R= 1 ¸ 2;
 середньотерміновий прогноз, R= 3 ¸ 7;
 довготерміновий прогноз, R= 10 ¸ 15.
Очевидно, що вид прогнозу суттєво впливає на вибір за-
собів і методику його реалізації.

6.3 Оцінювання точності прогнозів

Як правило, після навчання нейромережі здійснюють
контрольне відтворення даних, які складали навчальну мно-
жину. Якщо точність відтворення задовільна і відхилення зна-
ходяться в допустимих межах, вважають, що побудовано за-
довільну модель і слід очікувати достатню якість відображен-
ня. Якщо при відтворенні мережею даних навчальної множи-
ни спостерігаються великі розбіжності, можна припустити що
це викликано:
 наявністю неточних даних з великою випадковою
складовою. Для усунення цього явища підвищують вимоги до
точності вимірювань; у випадку часового ряду, можливе зме-
ншення кроку дискретизації, наприклад використання щомі-
сячних значень замість річних;
 неврахуванням суттєвих ознак, які в значній мірі ви-
значають закономірність; ця проблема може бути вирішена
розширенням набору ознак, які приймаються до уваги;
Після отримання передбачених значень при наявності
правильних можливо отримати абсолютні та відносні відхи-
лення на всій контрольній множині, для кожного кроку про-
гнозування. При наявності задовільних результатів прогнозу-
вання на контрольній множині, можна вважати, що налашто-
вана мережа для даної задачі має оптимальну складність і го-
това до відтворення даних, для яких немає відповідних відо-
мих відгуків.

84