haku: @keyword lazy learning / yhteensä: 2
viite: 1 / 2
« edellinen | seuraava »
Tekijä: | Sorjamaa, Antti |
Työn nimi: | Strategies for the Long-Term Prediction of Time Series using Local Models |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2005 |
Sivut: | 12+43 Kieli: eng |
Koulu/Laitos/Osasto: | Sähkö- ja tietoliikennetekniikan osasto |
Oppiaine: | Informaatiotekniikka (T-115) |
Valvoja: | Simula, Olli |
Ohjaaja: | Lendasse, Amaury |
Digitoitu julkaisu: | https://aaltodoc.aalto.fi/handle/123456789/93097 |
OEVS: | Digitoitu arkistokappale on julkaistu Aaltodocissa
|
Sijainti: | P1 Ark S80 | Arkisto |
Avainsanat: | 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 |
Tiivistelmä (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 tietueen numero: 30058
+ lisää koriin
« edellinen | seuraava »
INSSI