search query: @keyword aikasarjaennustaminen / total: 2
results-list
reference: 2 / 2
« previous | next »
Author:Sorjamaa, Antti
Title:Strategies for the Long-Term Prediction of Time Series using Local Models
Publication type:Master's thesis
Publication year:2005
Pages:12+43      Language:   eng
Department/School:Sähkö- ja tietoliikennetekniikan osasto
Main subject:Informaatiotekniikka   (T-115)
Supervisor:Simula, Olli
Instructor:Lendasse, Amaury
Digitized copy: https://aaltodoc.aalto.fi/handle/123456789/93097
OEVS:
Digitized archive copy is available in Aaltodoc
Location:P1 Ark S80     | Archive
Keywords:time series
long-term prediction
prediction strategies
input selection
local models
lazy learning
k-NN
aikasarjat
aikasarjaennustaminen
pitkän matkan ennustusstrategiat
syötteen valinta
paikalliset mallit
Lazy Learning
k:n lähimmän naapurin menetelmä
Abstract (fin): Aikasarjan arvojen ennustaminen pitkän matkan päähän on erittäin vaikeaa ja useita ongelmakohtia on otettava huomioon.
Siksipä onkin tärkeää kehittää hyviä ja tarkkoja keinoja päästäkseen ennustamisessa hyvään tarkkuuteen ja pitääkseen virheet mahdollisimman pieninä.
Tässä diplomityössä esitellään kolme erilaista pitkän matkan ennustusstrategiaa: rekursiivinen (Recursive), suora (Direct) sekä näiden yhdistelmä (Dirrec).

Työssä käytetään kahta ennustusmenetelmää: k:n lähimmän naapurin menetelmää ja menetelmää nimeltä Lazy Learning ('laiska oppiminen').
Molempien menetelmien kohdalla esitellään ja vertaillaan alkuperäisiä menetelmiä sekä niihin tehtyjä parannuksia.
Kaikki menetelmät tarvitsevat mallinvalintatyökaluja, joista 4 seuraavaa esitellään tarkemmin: k-kertainen ristiinvalidointi, Leave-one-out ristiinvalidointi, Bootstrap sekä Bootstrap 632.

Toinen tiiviisti aikasarjaennustamiseen liittyvä pulma on oikean syötteen valinta.
Tässä työssä syötteen valinta on sisällytetty edellä mainittujen menetelmien parannuksiin.

Kaikkien mainittujen menetelmien ja strategioiden toimintaa on vertailtu kolmen eri aikasarjan avulla: Santa Fe, Darwin Sea Level Pressure sekä Poland Electricity Load.
Lopuksi otetaan osaa CATS Benchmark -kilpailuun parhaaksi todetulla menetelmällä.
ED:2005-12-05
INSSI record number: 30058
+ add basket
« previous | next »
INSSI