Robust Time Series Forecasting Methods
2013
Ginters Bušs

Aizstāvēšana
20.11.2013. 14:30, Rīgas Tehniskās universitātes Datorzinātnes un informācijas tehnoloģijas fakultāte, Meža iela 1/3, 202. auditorija

Zinātniskais vadītājs
Jevgeņijs Carkovs, Viktors Ajevskis

Recenzenti
Arkādijs Borisovs, Edgars Brēķis, Marc Wildi

Prognozēšana ir izplatīta. Tūrisma nozare prognozē potenciālo tūristu skaitu (Athanasopoulos, Hyndman, Song and Wu, 2011). Enerģētikas nozare prognozē enerģijas pieprasījumu un cenu (Raviv, Bouwman and van Dijk, 2013). Finanšu nozare prognozē jēlnaftas, graudu, valūtas un vērtspapīru cenas (Asai, Caporin and McAleer, 2012). Politikas lēmēji pieņem lēmumus, balstoties uz ekonomikas prognozēm (Amisano and Geweke, 2013). Viens no visizplatītākajiem prognozēšanas rīkiem ir Boksa-Dženkinsa (Box and Jenkins, 1970) autoregresīvais integrētais slīdošā vidējā (ARIMA) modelis. Taču Boksa-Dženkinsa metodoloģijai ir savi trūkumi. Pirmkārt, mūsdienu prognozētājam ir potenciāli daudz pieejamās informācijas, taču ARIMA metodoloģija nav spējīga apstrādāt liela apjoma informāciju. Otrkārt, daudzās prognozēšanas jomās, piemēram ekonomikā, dati ir trokšņaini. Tādējādi, prognozētājam būtu jālieto prognozēšanas metodes, kas ir robustas pret trokšņiem. Treškārt, datiem mēdz būt pēkšņas izmaiņas dinamikā. Būtu jālieto prognozēšanas metodes, kas ir robustas pret straujām izmaiņām dinamikā. Strauji pieaugošais pieprasījums pēc prognozēšanas metodēm, kas ir piemērotas strādāt ar liela apjoma datiem, kas ir trokšņaini un pakļauti straujai dinamikas maiņai dara promocijas darba tēmu aktuālu. Promocijas darba galvenais mērķis ir izstrādāt robustas laikrindu prognozēšanas metodes, kas ir piemērotas strādāt ar trokšņainiem un liela apjoma datiem, ar pielietojumu makroekonomikā. Galvenie darba jaunieguvumi ir šādi. Pirmkārt, izstrādāts joslas filtrs viendimensionālu datu gala punkta novērtēšanas problēmām, kas atšķiras no alternatīvas ar citu ideālā filtra koeficientu korekciju. Otrkārt, izstrādāta metode signāla vienlaicīgai novērtēšanai un prognozēšanai daudzdimensionāliem un trokšņainiem datiem, kas ir pirmā šāda veida metode. Treškārt, novērtētas Beijesa un faktoru metožu robustuma problēmas, kad atkarīgā rādītāja dinamika strauji mainās, kas ir nepieciešams savlaicīgai dinamikas prognozēšanai. Darba aprobācija tika veikta, prezentējot darba rezultātus 11 starptautiskajās zinātniskajās konferencēs un semināros, publicējot 11 zinātniskos rakstus starptautiskajos zinātniskajos izdevumos, pielietojot metodes LR Centrālajā statistikas pārvaldē un Latvijas Bankā. Darbs sastāv no ievada, trīs nodaļām un nobeiguma. Darbs satur 136 lappuses, 69 attēlus, 9 tabulas un 92 nosaukumus literatūras sarakstā.


Atslēgas vārdi
filtering, forecasting, signal extraction, high-dimensional data

Bušs, Ginters. Robust Time Series Forecasting Methods. Promocijas darbs. Rīga: [RTU], 2013. 136 lpp.

Publikācijas valoda
English (en)
RTU Zinātniskā bibliotēka.
E-pasts: uzzinas@rtu.lv; Tālr: +371 28399196