Neurale netwerke bewegende gemiddelde

'N kunsmatige neurale netwerk (p, xA0 d, xA0 Q) model vir tijdreeksen voorspel Abstract kunsmatige neurale netwerke (Anns) is buigsaam rekenaar raamwerke en universele approximators wat aan 'n wye verskeidenheid van tydreekse vooruitskatting probleme toegepas kan word met 'n hoë graad van akkuraatheid . Ten spyte van al aangehaal vir kunsmatige neurale netwerke voordele, hul prestasie vir 'n paar werklike tyd reeks is nie bevredigend nie. Die verbetering van vooruitskatting veral tydreeks vooruitskatting akkuraatheid is 'n belangrike nog dikwels moeilike taak in die gesig staar voorspellers. Beide teoretiese en empiriese bevindinge het aangedui dat integrasie van verskillende modelle van 'n doeltreffende manier om van die verbetering op hul voorspelbare prestasie kan wees, veral wanneer die modelle in die ensemble is heel anders. In hierdie vraestel word 'n roman hibriede model van kunsmatige neurale netwerke voorgestelde gebruik van die motor-regressiewe geïntegreerde bewegende gemiddelde (ARIMA) modelle ten einde 'n meer akkurate voorspelling model as kunsmatige neurale netwerke te lewer. Die empiriese resultate met drie bekende werklike datastelle dui daarop dat die voorgestelde model 'n doeltreffende manier om akkuraatheid vooruitskatting bereik deur kunsmatige neurale netwerke te verbeter kan word. Daarom, kan dit gebruik word as 'n geskikte alternatiewe model vir vooruitskatting taak, veral wanneer 'n hoër vooruitskatting akkuraatheid is nodig. Sleutelwoorde Kunsmatige neurale netwerke (Anns) Auto-regressiewe geïntegreerde bewegende gemiddelde (ARIMA) Tyd reeks vooruitskatting Ooreenstemmende skrywer. Tel. 98 311 39125501 Faks: 98 311 3915526. Kopiereg afskrif 2009 Elsevier Ltd Alle regte voorbehou. Koekies gebruik word deur hierdie webwerf. Vir meer inligting, besoek die bladsy koekies. Kopiereg 2016 Elsevier BV of sy lisensiehouers of bydraers. ScienceDirect is 'n geregistreerde handelsmerk van Elsevier B. V.Predicted bewegende gemiddelde vooruitskatting aanwyser Suksesvolle handelaars handel tendense, en geen handel sagteware is beter voorspel tendense kort termyn as VantagePoint Intermarket analise sagteware. Vertrou op eie leidende aanwysers, in teenstelling met die standaard sloerende aanwysers, VantagePoint lei die handel-sagteware-industrie in neigingvoorspelling. Een van sy belangrikste en maklik om te gebruik leidende aanwysers is sy versameling van voorspelde bewegende gemiddelde gereedskap. Dit stel leidende aanwysers help vind en bevestig kort termyn tendens veranderinge, wat handelaars die allerbelangrike rand wat nodig is vir sukses gee. Miskien, handelaars staatmaak op bewegende gemiddeldes alleen meer as enige ander instrument in tegniese ontleding. Sowel, bewegende gemiddeldes vorm die basis van baie ander tegniese hulpmiddels. Die rede vir beide is dat bewegende gemiddeldes gladde uit die daaglikse skommelinge in die prys, wat handelaars 'n meer akkurate prentjie van pryse tendense gee. Ongelukkig het hy egter tradisionele bewegende gemiddeldes staatmaak geheel op vorige inligting, wat beteken dat hulle lag die mark. Die probleem met bewegende gemiddeldes dat die mark lag is dat handelaars reaktief is die handel, nie proaktief. VantagePoints Voorspel bewegende gemiddelde gereedskap leidende aanwysers wat tendens veranderinge in die markte, wat handelaars 'n voorsprong gee proaktief verwag. Die rede VantagePoints Voorspel bewegende gemiddelde gereedskap lei die mark is hulle gebruik van neurale netwerke en Intermarket analise uit te stryk die prys tendens. Dit tegnologies gevorderde benadering blyk wat tradisioneel 'n sloerende aanwyser in 'n leidende aanwyser, 'n hoogs akkurate voorspeller van kort termyn tendense is. Handelaars soos bewegende gemiddeldes, want hulle gladde uit die pieke en vallei in pryse, is maklik om te gebruik, en is maklik om te interpreteer. Dit is die positiewe eienskappe. Die sloerende aspek was altyd die probleem. In 1991, na jare van navorsing, mark Technologies ontwikkel tegnologie wat tendense gebaseer op bewegende gemiddeldes, terwyl die behoud van die positiewe eienskappe en die vermindering of uitskakeling van die lag, wat is die negatiewe kwaliteit voorspel. Die destydse nuut ontwikkelde voorspel bewegende gemiddeldes is sterker as ooit gedink. Vergelyk 'n tradisionele bewegende gemiddelde met 'n voorspelde bewegende gemiddelde toon die krag van leidende aanwysers, en dit wys hoekom VantagePoint is so 'n gewilde sagteware hulpmiddel vir suksesvolle handelaars. 'N Tradisionele 6-daagse bewegende gemiddelde (MA) van sluiting pryse neem die afgelope ses dae van sluitingsdatum pryse, voeg hulle saam en dan verdeel deur ses. Al die gebruik om die bewegende gemiddelde bereken data is werklike en het reeds gebeur het. So, die voorspellende waarde is minimaal, uitsluitlik op grond van die verlede data. Aan die ander kant, VantagePoints Voorspel bewegende gemiddelde (PMA) gereedskap kombineer werklike data en voorspelling data en neem dan 'n gemiddeld van hierdie waardes. Hier is 'n voorbeeld van 'n PMA. 'N 6-dag PMA van die sluiting pryse neem die afgelope vier dae van sluit, voeg twee dae van voorspelde data, en dan verdeel wat totaal deur ses. Ses dae nog gemiddeld, maar dag vyf en dag ses word voorspel. Dit verminder, indien nie geheel en al uitskakel, die lag. Nou, die belangrikste sleutel hier is dat die twee dae van voorspelde data af te lei uit die voortgesette onder die enjinkap werk van neurale netwerke en Intermarket ontleding. Dit tegnologies gevorderde kombinasie is die voorspellende berekening dat 'n hoogs akkurate verskil tussen die werklike skep, agter bewegende gemiddelde en die voorste PMA aanwyser. So, of die PMA is groter of minder as die werklike bewegende gemiddelde, 'n handelaar het 'n tweedaagse spring op die mark. VantagePoints Voorspel bewegende gemiddelde gereedskap voorspel tendens beweging op of af twee dae voor die tyd. Dit is 'n waardevolle, tegnologiese voorsprong vir handelaars ernstig is oor die daaropvolgende in vandag se tegnologies mededingende mark. Hierdie twee waardes wat nog nie gebeur het nie veroorsaak die voorspelde bewegende gemiddelde tot 'n groter waarde wees as die werklike bewegende gemiddelde wat aandui dat oor die volgende 2 dae die mark gaan up. Smoothing strategieë Saam met ARIMA en neurale netwerke met die voorspelling van Verbeter verkeersongelukke 1 Pontificia Universidad Catlica de Valparaso, 2362807 Valparaso, Chili 2 Universidad Nacional de Chimborazo, 33730880 Riobamba, Ecuador Ontvang 26 April 2014 hersien 29 Julie 2014 Aanvaarde 14 Augustus 2014 Gepubliseer 28 Augustus 2014 Akademiese Redakteur: Cagdas Hakan Aladag Kopiereg 2014 Lida Barba et al. Dit is 'n oop toegang artikel versprei onder die Creative Commons Attribution-lisensie. aan wie onbeperkte gebruik, verspreiding en reproduksie in enige medium toelaat, op voorwaarde dat die oorspronklike werk is behoorlik aangehaal. Abstract Twee glad strategieë gekombineer met outoregressiewe geïntegreerde bewegende gemiddelde (ARIMA) en outoregressiewe neurale netwerke (Anns) modelle om die voorspelling van tydreekse verbeter word. Die strategie van vooruitskatting is geïmplementeer met behulp van twee fases. In die eerste fase van die tydreeks is glad gemaak met behulp van, 3-punt bewegende gemiddelde glad, of enkelvoud waarde Ontbinding van die Hankel matriks (HSVD). In die tweede fase, 'n ARIMA model en twee Anns vir een-stap-ahead tydreeks vooruitskatting gebruik. Die koëffisiënte van die eerste ANN is na raming deur die deeltjie swerm optimization (PSO) leer algoritme, terwyl die koëffisiënte van die tweede ANN is na raming met die sterk backpropagation (RPROP) leer algoritme. Die voorgestelde modelle geëvalueer met behulp van 'n weeklikse tydreekse van verkeersongelukke van Valparaso, Chileense streek, van 2003 tot 2012. Die beste resultaat word gegee deur die kombinasie HSVD-ARIMA, met 'n Mape van 0. 26, gevolg deur MA-ARIMA met 'n Mape van 1. 12 die ergste gevolg word gegee deur die MA-Ann gebaseer op PSO met 'n Mape van 15. 51. 1. Inleiding die verkeer voorkoms is 'n kwessie van impak in die samelewing, dus 'n probleem van prioriteit openbare aandag die Chileense Nasionale Verkeersveiligheid Kommissie (CONASET) van tyd tot tyd verslae 'n hoë koers van sinistere op paaie in Valparaso van jaar 2003-2012 28595 beseerdes is geregistreer. Die akkuraatheid in die projeksies in staat stel om die ingryping deur die regering agentskappe in terme van voorkoming ander eiser van inligting is die versekeringsmaatskappye, wat hierdie soort van inligting verlang na nuwe mark beleid te bepaal. Met die oog op die dinamiek van die verkeer te vang, tydens die laaste jare 'n paar tegnieke is toegepas. Vir klassifikasie, besluit reëls en bome 1. 2, latente klas groepering en Bayes netwerke 3, en die genetiese algoritme 4 geïmplementeer. Vir die verkeer vooruitskatting, outoregressiewe bewegende gemiddelde (ARMA) en ARIMA modelle 5, state-ruimte modelle 6. 7, ekstrapolasie 8, dinamiese harmoniese regressie gekombineer met ARIMA en dinamiese oordragsfunksies 9 geïmplementeer. Die glad strategieë bewegende gemiddelde (MA) en singulierewaarde Ontbinding (SVD) is gebruik om die komponente te identifiseer in 'n tydreeks. MA word gebruik om die tendens 10 onttrek, terwyl SVD uittreksels meer komponente 11 die SVD aansoek is meerveranderlike en in sommige werke aangewend vir parameter kalibrasie in dinamiese stelsels 12. 13, in die tyd reeks klassifikasie 14, of om oorgeskakel lineêre stelsels 15 tipies SVD toegepas oor 'n inset datastel om die data dimensionaliteit 16 of om geluidsreductie 17 verminder. ARIMA is 'n lineêre konvensionele model vir stationaire tyd reeks deur differensiasie die stationaire tyd reeks is omskep in stilstaande dit gebaseer is op vorige waardes van die reeks en op die vorige fout terme vir vooruitskatting. ARIMA is wyd toegepas op stationaire datamodel sommige aansoeke is die verkeer geraas 18, die daaglikse globale sonstraling 19, premonsoon reënval data vir die Wes-Indië 20, en spuitbussen oor die Gangetic Himalaja-streek 21. Die outoregressiewe neurale netwerk (ANN) is 'n nie-lineêre metode vir die voorspelling dat is getoon doeltreffende in die oplossing van probleme van verskillende velde van die vermoë van die leer van die ANN word bepaal deur die algoritme te wees. Deeltjie swerm optimization (PSO) is 'n bevolking algoritme wat gevind is optimaal te wees dit is gebaseer op die gedrag van 'n swerm hierdie is van toepassing op die verbindings gewigte van die ANN werk 'n paar veranderinge van PSO is geëvalueer op grond van variante van die versnelling koëffisiënte 22, ander pas die aanpassing van die traagheid gewig 23 26, ook die gebruik van aangepaste meganismes vir beide traagheid gewig en die versnelling koëffisiënte gebaseer op die gedrag van die deeltjies in elke iterasie gebruik is 27. 28. Die kombinasie van ANN-PSO het die voorspelling oor 'n paar klassieke algoritmes soos backpropagation (BP) 29 31 en minstens beteken vierkante (LMS) 32 verbeter. Nog 'n leer algoritme wat het getoon dat beter as backpropagation wees is RPROP en is ook geanaliseer deur sy robuustheid, maklik implementering, en 'n vinnige konvergensie met betrekking tot die konvensionele BP 33. 34. Die lineêre en nie-lineêre modelle kan onvoldoende in sommige vooruitskatting probleme gevolglik is dit nie die kombinasie van lineêre beskou universele modelle dan en nie-lineêre modelle kan verskillende vorme van verhoudings in die tydreeksdata te vang. Die Zhang baster metodologie wat beide ARIMA en Ann modelle kombineer is 'n doeltreffende manier om akkuraatheid vooruitskatting ARIMA model verbeter word gebruik om die lineêre deel van die probleem en die ANN modelle, die residue van die ARIMA model 35 hierdie model ontleed aansoek gedoen vraag vooruitskatting 36 Maar sommige navorsers glo dat sommige aannames van Zhang baster metode kan ontaard toe teenoorgestelde situasie ontstaan ​​Kashei stel 'n metode wat die lineêre en nie-lineêre modelle wat geen aannames van tradisionele Zhang baster lineêre en nie-lineêre modelle ten einde die meer algemene lewer en het 'n kombinasie die meer akkurate voorspelling model 37. Op grond van die argumente wat in hierdie werk, twee glad strategieë om potensieer die preprocessing stadium van tydreekse vooruitskatting voorgestel 3-punt MA en HSVD word gebruik om die tydreeks die stryk waardes voorspel met drie modelle die eerste glad is gebaseer op ARIMA model, die tweede in Ann is gebaseer op PSO, en die derde in Ann is gebaseer op RPROP. Die modelle is geëvalueer met behulp van die tyd reeks beseer mense in die verkeer ongelukke wat in Valparaso, Chileense streek, 2003-2012 met 531 weeklikse registers. Die glad strategieë en die voorspelling modelle word gekombineer en ses modelle verkry en in vergelyking met die model wat die groot akkuraatheid gee te bepaal. Die papier is soos volg gestruktureer. Artikel 2 beskryf die smoothing strategieë. Artikel 3 verduidelik die voorgestelde voorspellingsmodelle. Artikel 4 bied die akkuraatheid voorspelling statistieke. Artikel 5 bied die resultate en besprekings. Die gevolgtrekkings word in Artikel 6. 2. Smoothing Strategieë 2.1. Bewegende gemiddelde bewegende gemiddelde is 'smoothing strategie gebruik in lineêre filter te identifiseer of te onttrek die tendens van 'n tydreeks. MA is 'n gemiddelde van 'n konstante aantal waarnemings wat gebruik kan word om 'n reeks wat nie 'n tendens 38 nie uit te stal beskryf. Wanneer 3-punt MA oor 'n tyd reeks lengte elemente van die reëlmatige reeks toegepas word bereken met waar. dui die traagheid gewig en leer faktore, en is positief ewekansige getalle in die reeks onder normale verspreiding, en is die de iterasie. Traagheid gewig het lineêre afneem, is die maksimum waarde van traagheid, is die laagste, en is altesaam iterasies. Die deeltjie verteenwoordig die optimale oplossing, in hierdie geval die stel gewigte en vir die ANN. 3.2.2. Leer Algoritme Op grond van Resilient Backpropagation RPROP is 'n doeltreffende leer algoritme wat 'n direkte aanpassing van die gewig stap voer gebaseer op plaaslike helling inligting dit word beskou as 'n eerste-orde metode. Die update reël slegs afhanklik is van die teken van die parsiële afgeleide van die arbitrêre fout met betrekking tot elke gewig van die ANN. Die individuele stap grootte is bereken vir elke gewig met behulp van hierdie reël 33, soos volg: waar. As die parsiële afgeleide dieselfde teken vir opeenvolgende stappe, is die stap grootte effens toegeneem met die faktor om die konvergensie te versnel, terwyl as dit verander die teken, is die stap grootte verminder met die faktor. Verder in die geval van 'n verandering in die teken nie, sou geen aanpassing in die daaropvolgende stap in die praktyk dit gedoen kan word deur die oprigting van die aanpassing reël wees. Ten slotte word die gewig werk en die aanpassing uitgevoer nadat die gradiënt inligting van al die gewigte bereken word. 4. vooruitskatting Akkuraatheid Statistieke Die vooruitskatting akkuraatheid geëvalueer met die statistieke wortel beteken kwadraat fout (RMSE), veralgemeen kruisvalidering (GCV), beteken absolute persentasiefout (Mape), en relatiewe fout (RE): waar is die validering (toets) steekproefgrootte, is die de waargeneem waarde, is die de geskatte waarde, en is die lengte van die insette regressor vektor. 5. Resultate en Bespreking Die data wat gebruik word vir voorspelling is die tyd reeks van beseerdes in die verkeer ongelukke wat in Valparaso, 2003-2012 hulle is verkry uit CONASET, Chili 43. Die data monsterperiode is weekliks, met 531 registers soos getoon in Figuur 2 (a) van die reeks is geskei vir opleiding en toetsing, en deur trial and error die 85 vir opleiding en die 15 vir die toets is bepaal. Figuur 2: Ongelukke tydreekse: (a) rou data en (b) outokorrelasie funksie. 5.1. ARIMA Vooruitskatting 5.1.1. Bewegende gemiddelde glad die rou tydreeks is glad gemaak met behulp van 3-punt bewegende gemiddelde, wie verkry waardes word gebruik as insette van die voorspelling model hierdie word in Figuur 1 (a). Die effektiewe volgorde van die polinoom vir die AR terme bevind word en die parameter differensiasie bevind word daardie waardes is verkry uit die outokorrelasie funksie (ACF) word in Figuur 2 (b) aan die einde van MA terme gestel, is geëvalueer die metrieke GCV teenoor die gesloerde waardes. Die resultate van die GCV word in Figuur 3 (a) dit toon dat die laagste GCV bereik met 10 uitgesak waardes. Daarom is die opset van die model word aangedui deur AM-ARIMA (9,0,10). Figuur 3: (a) MA glad en (b) HSVD glad. Die evaluering uitgevoer in die toets fase word in figure 4 en 5 (a) en Table 1. Die waargeneem waardes teenoor die beraamde waardes in figuur 4 (a). bereik 'n goeie akkuraatheid, terwyl die relatiewe fout word in Figuur 4 (b). wat toon dat die 87 van die punte aan te bied 'n fout laer as 1.5. Tabel 1: Vooruitskatting met ARIMA. Figuur 4: MA-ARIMA (9,0,10), (a) waargeneem versus geskat (b) met betrekking fout. Figuur 5: Residuele ACF: (a) MA-ARIMA (9,0,10) en (b) SVD-ARIMA (9,0,11). Vir die evaluering van die korrelasie van die model foute die ACF toegepas word, waarvan die waardes word in Figuur 5 (a) dit toon dat ACF vir 'n lag van 16 is effens laer as die 95 vertroue limiet egter die res van die koëffisiënte is binne die limiet vertroue dus in die foute van die model AM-ARIMA (9,0,10) is daar geen korrelasie kan ons aflei dat die voorgestelde model verduidelik doeltreffend die wisselvalligheid van die proses. 5.1.2. HSVD Smoothing In hierdie afdeling word die voorspelling strategie in Figuur 1 (b) word geëvalueer om hierdie strategie in eerste instansie die tydreeks is gekarteer met behulp van die Hankel matriks te implementeer, nadat die SVD proses uitgevoer word om die komponente te bekom. Die waarde van gevind deur die berekening van die enkelvoud waardes van die ontbinding hierdie word in Figuur 6 (a) soos in figuur 6 (a). die groot hoeveelheid energie gevang deur die eerste twee komponente dus in hierdie werk net twee komponente is gekies met. Die eerste komponent onttrek verteenwoordig die langtermyn-tendens van die tyd reeks, terwyl die tweede stel die komponent van 'n hoë frekwensie skommeling kort termyn. Die komponente en word getoon in Figure 6 (b) en 6 (c). onderskeidelik. Figuur 6: Ongelukke tydreekse: (a) komponente energie, (b) 'n lae frekwensie komponent, en (c) 'n hoë frekwensie komponent. Om die model te evalueer, in hierdie afdeling en word gebruik, en word geëvalueer met behulp van die GCV metrieke want dan die effektiewe waarde is gevind, soos in Figuur 3 (b) dus die voorspelling model word aangedui deur HSVD-ARIMA (9,0, 11). Eens en gevind, is die voorspelling uitgevoer met die toets datastel, en die resultate van HSVD-ARIMA (9,0,11) word getoon in Figure 7 (a). 7 (b). en 5 (b) en Table 1. Figuur 7 (a) toon die waargeneem waardes teenoor die skattings dale, en 'n goeie aanpassing tussen hulle is gevind. Die relatiewe foute word in Figuur 7 (b) dit toon dat die 95 van die huidige punte 'n fout laer as 0.5. Figuur 7: SVD-ARIMA (9,0,11): (a) waargeneem versus geskat en (b) met betrekking fout. Vir die evaluering van die korrelasie van die model foute die ACF toegepas word, waarvan die waardes word in Figuur 5 (b) dit blyk dat al die koëffisiënte is binne-in die vertroue limiet dus in die model foute is daar geen korrelasie kan ons aflei dat die voorgestelde model HSVD-ARIMA (9,0,11) verduidelik doeltreffend die wisselvalligheid van die proses. Die in Tabel 1 toon die resultate dat die groot akkuraatheid bereik met die model HSVD-ARIMA (9,0,11), met 'n RMSE van 0,00073 en 'n Mape van 0,26 die 95 van die punte het 'n relatiewe fout laer as 0.5. 5.2. ANN vooruitskatting model gebaseer op PSO 5.2.1. Bewegende gemiddelde glad die rou tydreeks is glad gemaak met behulp van die bewegende gemiddelde van orde 3, wie verkry waardes word gebruik as insette van die voorspelling model in Figuur 1 (a). Die kalibrasie uitgevoer in Afdeling 5.1.1 word gebruik vir die neurale netwerk en dan 'n gebruik, met insette (uitgestel waardes), verborge knope, en 1 uitloop. Die evaluering uitgevoer in die toets fase word in figure 8 en 9 (a) en Table 2. Die waargeneem waardes teenoor die beraamde waardes in Figuur 8 (a). bereik 'n goeie akkuraatheid, terwyl die relatiewe fout word in Figuur 8 (b). wat toon dat die 85 van die punte aan te bied 'n fout laer as 15. Tabel 2: Vooruitskatting met ANN-PSO. Figuur 8: MA-Ann-PSO (9,10,1): (a) waargeneem versus geskat en (b) met betrekking fout. Figuur 9: Residuele ACF: (a) MA-Ann-PSO (9,10,1) en (b) HSVD-Ann-PSO (9,11,1). Vir die evaluering van die korrelasie van die model foute die ACF toegepas word, waarvan die waardes word in Figuur 9 (a) dit toon dat daar waardes met significante verskil van nul tot 95 van die limiet vertroue deur byvoorbeeld die drie groot waardes verkry word wanneer die uitgesak waarde is gelyk aan 3, 4 en 7 weke. Daarom in die residue is daar korrelasie beteken dit dat die model MA-Ann-PSO (9,10,1) nie aanbeveel vir toekomstige gebruik en waarskynlik ander verklarende veranderlikes moet in die model bygevoeg. Die proses is 30 keer hardloop en die beste resultaat bereik in die aanloop 22 soos getoon in Figuur 10 (a) Figuur 10 (b) bied die RMSE metrieke vir die beste lopie. Figuur 10: MA-Ann-PSO (9,10,1): (a) uit te voer teenoor fiksheid vir 2500 iterasies en (b) iterasies nommer vir die beste lopie. 5.2.2. HSVD Smoothing In hierdie afdeling word die voorspelling strategie in Figuur 1 (b) word geëvalueer die HSVD glad strategie toegepas word met behulp van dieselfde kalibrasie verduidelik in Afdeling 5.1.2 dan 'n gebruik, met insette (uitgestel waardes), verborge knope, en 1 uitset. Die evaluering uitgevoer in die toets fase word in figure 11 en 9 (b) en Table 2. Die waargeneem waardes teenoor die beraamde waardes in figuur 11 (a). bereik 'n goeie akkuraatheid, terwyl die relatiewe fout word in Figuur 11 (b). wat toon dat die 95 van die huidige punte 'n fout laer as 4. Figuur 11: HSVD-Ann-PSO (9,11,1): (a) waargeneem versus geskat en (b) met betrekking rrror. Vir die evaluering van die korrelasie van die model foute die ACF toegepas word, waarvan die waardes word in Figuur 9 (b) dit blyk dat al die koëffisiënte is binne-in die vertroue perk van 95 en statisties is gelyk aan dus nul in die model foute daar is geen korrelasie kan ons aflei dat die voorgestelde model HSVD-Ann-PSO (9,11,1) verduidelik doeltreffend die wisselvalligheid van die proses. Die proses is 30 keer hardloop en die beste resultaat bereik in die aanloop 11 soos getoon in Figuur 12 (a) Figuur 12 (b) bied die RMSE metrieke vir die beste lopie. Figuur 12: HSVD-Ann-PSO (9,11,1): (a) uit te voer teenoor fiksheid vir 2500 iterasies en (b) iterasies nommer vir die beste lopie. Die in Tabel 2 toon die resultate dat die groot akkuraatheid bereik met die model HSVD-Ann-PSO (9,11,1), met 'n RMSE van 0,0123 en 'n Mape van 5,45 die 95 van die punte het 'n relatiewe fout laer as 4. 5.3. ANN vooruitskatting model gebaseer op RPROP 5.3.1. Bewegende gemiddelde glad die rou tydreeks is glad gemaak met behulp van die bewegende gemiddelde van orde 3, wie verkry waardes word gebruik as insette van die voorspelling model in Figuur 1 (a). Die kalibrasie uitgevoer in Afdeling 5.1.1 word gebruik vir die neurale netwerk dan 'n gebruik, met insette (uitgestel waardes), verborge knope, en 1 uitloop. Die evaluering uitgevoer in die toets fase word in figure 13 en 14 (a) en Table 3. Die waargeneem waardes teenoor die beraamde waardes in figuur 13 (a). bereik 'n goeie akkuraatheid, terwyl die relatiewe fout word in Figuur 13 (b). wat toon dat die 81 van die punte aan te bied 'n fout laer as 15. Tabel 3: Vooruitskatting met ANN-RPROP. Figuur 13: MA-Ann-RPROP (9,10,1): (a) waargeneem versus geskat en (b) met betrekking fout. Figuur 14: Residuele ACF: (a) MA-Ann-RPROP (9,10,1) en (b) HSVD-Ann-RPROP (9,11,1). Vir die evaluering van die korrelasie van die model foute die ACF toegepas word, waarvan die waardes word in Figuur 14 (a) dit toon dat daar waardes met significante verskil van nul tot 95 van die limiet vertroue deur byvoorbeeld die drie groot waardes verkry word wanneer die uitgesak waarde is gelyk aan 3, 4 en 7 weke. Daarom in die residue is daar korrelasie beteken dit dat die model MA-Ann-RPROP (9,10,1) nie aanbeveel vir toekomstige gebruik en waarskynlik ander verklarende veranderlikes moet in die model bygevoeg. Die proses is 30 keer hardloop, en die beste resultaat bereik in die aanloop 26 soos getoon in Figuur 15 (a) Figuur 15 (b) bied die RMSE metrieke vir die beste lopie. Figuur 15: MA-Ann-RPROP (9,10,1): (a) uit te voer teenoor fiksheid vir 85 iterasies en (b) iterasies nommer vir die beste lopie. 5.3.2. HSVD Smoothing In hierdie afdeling word die voorspelling strategie in Figuur 1 (b) word geëvalueer, is die HSVD glad strategie toegepas met behulp van dieselfde kalibrasie verduidelik in Afdeling 5.1.2. en dan 'n gebruik, met insette (uitgestel waardes), verborge knope, en 1 uitloop. Die evaluering uitgevoer in die toets fase word in figure 16 en 14 (b) en Table 3. Die waargeneem waardes teenoor die beraamde waardes in figuur 16 (a). bereik 'n goeie akkuraatheid, terwyl die relatiewe fout word in Figuur 16 (b). wat toon dat die 96 van die huidige punte 'n fout laer as 4. Figuur 16: HSVD-Ann-RPROP (9,11,1): (a) waargeneem versus geskat en (b) met betrekking fout. Vir die evaluering van die korrelasie van die model foute die ACF toegepas word, waarvan die waardes word in Figuur 14 (b) dit blyk dat al die koëffisiënte is binne-in die vertroue limiet en statisties is gelyk aan dus nul in die model foute daar geen korrelasie kan ons aflei dat die voorgestelde model HSVD-Ann-RPROP (9,11,1) verduidelik doeltreffend die wisselvalligheid van die proses. Die proses is 30 keer hardloop en die eerste beste resultaat bereik in die aanloop 21 soos getoon in Figuur 17 (a) Figuur 17 (b) bied die RMSE metrieke vir die beste lopie. Figuur 17: HSVD-Ann (9,11,1): (a) uit te voer teenoor fiksheid vir 70 iterasies en (b) iterasies nommer vir die beste lopie. Die in Tabel 3 toon die resultate dat die groot akkuraatheid bereik met die model HSVD-Ann-RPROP (9,11,1), met 'n RMSE van 0,024 en 'n Mape van 8,08 die 96 van die punte het 'n relatiewe fout laer as 4. Laastens word Pitmans korrelasie toets 44 gebruik om alle voorspellingsmodelle te vergelyk in 'n twee-mode. Pitmans toets is soortgelyk aan die toets as die korrelasie (Corr) tussen is aansienlik verskil van nul, waar en word bepaal deur waar en verteenwoordig die een-stap-ahead voorspelling fout vir model 1 en model 2, onderskeidelik. Die nulhipotese is beduidend op die 5 betekenis vlak as die geëvalueer korrelasies tussen en word in Tabel 4. Tabel 4: Pitmans korrelasie (Corr) vir paarsgewyse vergelyking ses modelle op 5 van betekenis en die kritieke waarde 0,2219. Die resultate in Tabel 4 toon dat statisties daar 'n beduidende superioriteit van die HSVD-ARIMA voorspelling model, met betrekking tot die res van modelle. Die resultate word van links na regs, waar die eerste is die beste model en die laaste is die ergste model. 6. Gevolgtrekkings In hierdie vraestel is voorgestel twee strategieë van tydreekse glad na die vooruitskatting akkuraatheid te verbeter. Die eerste smoothing strategie is gebaseer op bewegende gemiddelde van orde 3, terwyl die tweede is gebaseer op die Hankel singulierewaarde ontbinding. Die strategieë geëvalueer met die tyd reeks ongelukke wat in Valparaso, Chili, van 2003 tot 2012. Die skatting van die reëlmatige waardes ontwikkel deur drie konvensionele modelle, ARIMA, 'n ANN gebaseer op PSO, en 'n ANN gebaseer op RPROP. Die vergelyking van die ses modelle geïmplementeer toon dat die eerste die beste model is HSVD-ARIMA, aangesien dit die grootste akkuraatheid verkry, met 'n Mape van 0,26 en 'n RMSE van 0,00073, terwyl die tweede beste is die model MA-ARIMA, met 'n Mape van 1.12 en 'n RMSE van 0,0034. Aan die ander kant, die model met die laagste akkuraatheid was MA-Ann-PSO met 'n Mape van 15,51 en 'n RMSE van 0,041. Pitmans toets is uitgevoer om die verskil van die akkuraatheid tussen die ses voorgestelde modelle en die resultate te evalueer toon dat statisties daar 'n beduidende superioriteit van die voorspelling model gebaseer op HSVD-ARIMA. As gevolg van die hoë akkuraatheid bereik met die beste model in die toekoms werk, sal dit toegepas word op nuwe tydreekse van ander streke en lande te evalueer. Konflik van belange van die skrywers verklaar dat daar geen botsing van belange met betrekking tot die publikasie van hierdie vraestel. Erkennings Hierdie werk is gedeeltelik ondersteun deur Grant CONICYT / FONDECYT / Gereelde 1131105 en deur die DI-Daaglikse projek van die Pontificia Universidad Catlica de Valparaso. Verwysings J. Abellxe1n, G. Lxf3pez, en J. de Oxf1a, Ontleding van verkeer ongeluk erns met behulp besluit reëls via besluit bome, Expert Systems met Aansoeke. vol. 40, no. 15, pp. 60.476.054, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus L. Chang en J. Chien, Ontleding van bestuurder besering erns in-vragmotor betrokke ongelukke met behulp van 'n nie-parametriese klassifikasie boom model, Veiligheid en Skeikunde. vol. 51, no. 1, pp. 1722, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus J. de Oxf1a, G. Lxf3pez, R. Mujalli, en FJ Calvo, Ontleding van verkeer ongelukke op landelike paaie met behulp van Latente Klas Groepering en Bayes netwerke, ongeluk Ontleding & Prevention. vol. 51, pp. 110, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus M. Fogue, P. Garrido, FJ Martinez, J. Cano, CT Calafate, en P. Manzoni, 'n nuwe benadering vir die toekenning verkeersongelukke sanitêre hulpbron gebaseer op 'n multi-doel genetiese algoritmes, Expert Systems met Aansoeke. vol. 40, no. 1, pp 323336, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus M. A. Quddus, Tyd reeks telling data modelle:. 'N empiriese aansoek om die verkeer, Ongeluk Ontleding & Prevention. vol. 40, no. 5, pp. 17.321.741, 2008. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus JJF Commandeur, FD Bijleveld, R. Bergel-Hayat, C. Antoniou, G. Yannis en E. Papadimitriou, Op statistiese inferensie in tydreeksanalise van die evolusie van padveiligheid, Ongeluk Ontleding & Prevention. vol. 60, pp. 424434, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus C. Antoniou en G. Yannis, Staat ruimte-gebaseerde analise en vooruitskatting van makroskopiese tendense padveiligheid in Griekeland, Ongeluk Ontleding & Prevention. vol. 60, pp 268276, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus W. Weijer Mars en P. Wesemann, Padveiligheid voorspelling en evaluering ex-ante van beleid in Nederland, Vervoer Navorsing A:. Beleid en praktyk. vol. 52, pp. 6472, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus A. Garcxeda-Ferrer, A. de Juan, en P. Poncela, voorspelling verkeer met behulp onderverdeel data, International Journal of Forecasting. vol. 22, no. 2, pp. 203222 2006 View op Uitgewer Kyk op Google Scholar Kyk by Scopus R. Genxe7ay, F. Selxe7uk en B. Whitcher, 'n Inleiding tot Wave Lets en ander filter metodes in Finansies en Ekonomie. Akademiese Press, 2002. Kyk op MathSciNet N. Abu-Shikhah en F. Elkarmi, Medium termyn elektriese lading voorspelling behulp singulierewaarde ontbinding, Energie. vol. 36, no. 7, pp. 42.594.271, 2011. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus C. Sun en J. Hahn, Parameter vermindering vir stabiele dinamiese stelsels gebaseer op Hankel enkelvoud waardes en sensitiwiteitsanalise, Chemiese Ingenieurswese Wetenskap. vol. 61, no. 16, pp. 53.935.403, 2006. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus H. Gu en H. Wang, fuzzy voorspelling van chaotiese tydreekse gegrond op enkele waarde ontbinding, Toegepaste Wiskunde en berekening. vol. 185 no. 2, pp. 11.711.185 2007. Kyk op Uitgewer Kyk op Google Scholar Kyk op Zentral Blatt MATH Kyk by Scopus X Weng en J. Shen, Klassifikasie van meerveranderlike tydreekse deur middel van tweedimensionele singulierewaarde ontbinding, kennisgebaseerde stelsels. vol. 21, no. 7, pp. 535539 2008 View op Uitgewer Kyk op Google Scholar Kyk by Scopus N. Hara, H. Kokame, en K. Konishi, singulierewaarde ontbinding vir 'n klas van lineêre tyd wisselende stelsels met aansoek om oorgeskakel lineêre stelsels, stelsels en beheer Briewe. vol. 59, no. 12, pp. 792798 2010. Kyk op Uitgewer Kyk op Google Scholar Kyk op Zentral Blatt MATH Kyk by Scopus K. Kavaklioglu, Robuuste elektrisiteitsverbruik modellering van Turkye met behulp van enkele waarde ontbinding, International Journal of Electrical Power x26 Energiestelsels. vol. 54, pp. 268276, 2014 View op Uitgewer Kyk op Google Scholar Kyk by Scopus W. X. Yang en P. W. Tse, Medium termyn elektriese lading voorspelling behulp singulierewaarde ontbinding, NDT x26 E International. vol. 37, pp. 419432, 2003 View op Google Scholar K. Kumar en V. K. Jain, outoregressiewe geïntegreerde bewegende gemiddeldes (ARIMA) modellering van 'n verkeersbeampte geraas tydreekse, Toegepaste Acoustics. vol. 58, no. 3, pp. 283294, 1999 View op Uitgewer Kyk op Google Scholar Kyk by Scopus J. Hassan, ARIMA en regressiemodelle vir voorspelling van die daaglikse en maandelikse helderheid indeks, hernubare energie. vol. 68, pp. 421427, 2014 View op Google Scholar P. Narayanan, A. Basistha, S. Sarkar, en S. Kamna, Trend ontleding en ARIMA modellering van pre-reën reënval data vir die Wes-Indië, Comptes rendus Geowetenskap. vol. 345 no. 1, pp. 2227, 2013 View op Uitgewer Kyk op Google Scholar Kyk by Scopus K. Soni, S. Kapoor, KS Parmar, en DG Kaskaoutis, Statistiese ontleding van spuitbussen oor die gangetichimalayan streek met behulp van ARIMA model wat gebaseer is op die langtermyn MODIS waarnemings, Atmosferiese Navorsing. vol. 149, pp. 174192, 2014 View op Google Scholar A. Ratnaweera, S. K. Halgamuge, en H. C. Watson, Self-organisering hiërargiese deeltjie swerm Optimizer met-time wisselende versnelling koëffisiënte, IEEE Transactions on Evolusionêre Berekening. vol. 8, no. 3, pp. 240255 2004 View op Uitgewer Kyk op Google Scholar Kyk by Scopus X Yang, J. Yuan, J. Yuan, en H. Mao, 'n gemodifiseerde deeltjie swerm Optimizer met dinamiese aanpassing, Toegepaste Wiskunde en berekening. vol. 189 no. 2, pp. 12.051.213 2007. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus MS Arumugam en M. Rao, Op die verbeterde prestasie van die deeltjie swerm optimeringsalgoritmes met aanpasbare parameters, cross-over operateurs en wortel-gemiddelde-kwadraat (RMS) variante vir die berekening van optimale beheer van 'n klas van hibriede stelsels, Toegepaste Sagte Computing Journal. vol. 8, no. 1, pp. 324336 2008 View op Uitgewer Kyk op Google Scholar Kyk by Scopus B. K. Panigrahi, V. Ravikumar Pandy, en S. Das, Adaptive deeltjie swerm optimization benadering vir statiese en dinamiese ekonomiese las versending, Energie Gesprek en Administrasie. vol. 49, no. 6, pp. 14.071.415, 2008. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus A. Nickabadi, M. M. Ebadzadeh, en R. Safabakhsh, 'n roman deeltjie swerm optimeringsalgoritme met aangepaste traagheid gewig, Toegepaste Sagte Computing Journal. vol. 11, no. 4, pp. 36.583.670, 2011. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus X Jiang, H. Ling, J. Yan, B. Li, en Z. Li, voorspelling elektriese energieverbruik van onderhoud toerusting met behulp van neurale netwerk en deeltjie swerm optimalisering, wiskundige probleme in Ingenieurswese. vol. 2013, Artikel ID 194730, 8 bladsye, 2013. Kyk op Uitgewer Kyk op Google Scholar J. Chen, Y. Ding, en K. Hao, Die tweerigting optimalisering van koolstofvesel produksie deur neurale netwerk met 'n GA-ipso baster algoritme, Wiskundige probleme wat in ingenieurswese. vol. 2013, Artikel ID 768756, 16 bladsye, 2013. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus J. Zhou, Z. Duan, Y. Li, J. Deng, en D. Yu, PSO-gebaseerde neurale netwerk optimalisering en sy benutting in 'n vervelige masjien, Journal of Materials Processing Technology. vol. 178 no. 1x20133, pp. 1923, 2006. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus M. A. mohandes, modellering globale sonstraling met behulp van Particle Swarm Optimization (PSO), sonkrag. vol. 86, no. 7, no. 2003.