- •3.5. Энтропия
- •3.5.2. Энтропия каскада
- •3.5.3. Обобщенная энтропия (энтропия Реньи)
- •3.5.4. Топологическая энтропия
- •3.5.5. Связь энтропии с характеристическими показателями Ляпунова
- •3.5.6. Время предсказания
- •3.6. Автокорреляционная функция и спектральная плотность
- •3.6.1. Автокорреляционная функция
- •3.6.2. Спектральная плотность
- •3.6.3. Связь автокорреляционной функции и спектра
- •3.7. Фрактальные структуры и размерность аттрактора
- •3.7.1. Фракталы
- •3.7.2. Геометрические размерности
- •3.7.3. Вероятностные размерности
- •3.7.4. Динамические размерности
- •3.7.5. Странные аттракторы
- •3.8. Определение хаотического отображения
- •4.1.1. Решение задачи Коши для автономной системы
- •4.1.2. Некорректность численных методов решения
- •4.2. Построение отображения пуанкаре
- •4.3. Спектр характеристических показателей ляпунова
- •4.3.1. Вычисление спектра по уравнениям динамической системы
- •4.3.2. Вычисление спектра по временному ряду
- •4.4. Численное исследование мер
- •4.5. Расчет размерности аттрактора
- •4.5.1. Определение емкости
- •4.5.2. Вычисление вероятностных размерностей
- •4.6. Корреляционный интеграл
- •4.7. Оценки энтропии
- •5. Управление хаотической динамикой
- •5.1. Задача управления
- •5.1.1. Постановка задачи
- •5.1.2. Методы управления
- •5.2. Задача идентификации
- •5.2.1. Постановка задачи
- •5.2.2. Реконструкция аттрактора. Теорема Такенса
- •3) На можно определить динамическую систему; так как , то
- •5.2.3. Выбор параметров реконструкции
- •5.3. Задача прогноза
- •5.3.1. Предсказание временных рядов
- •5.3.2. Локальные методы
- •5.3.3. Глобальные методы
- •Библиографический список
5.3. Задача прогноза
Задача прогноза – одна из первых задач анализа временных рядов. О статистическом подходе к ее решению сказано достаточно много. В этом разделе остановимся на подходе, который основан на представлениях нелинейной динамики.
5.3.1. Предсказание временных рядов
Предполагается, что мы имеем дело с реконструкцией некоторой динамической системы по скалярному ряду. Согласно теореме Такенса должно существовать отображение такое, что
(5.20)
или
. (5.21)
Все динамические методы прогноза основаны на различных методах аппроксимации этих отображений. Методы прогнозирования принято делить на локальные, глобальные и «глобальные с локальными свойствами».
Задачу прогноза можно сформулировать следующим образом. Имеется временной ряд, заданы параметры реконструкции, и для векторов известны значения искомой функции, т. е. . Требуется найти значение искомой функции в новой точке , . Априорные сведения о функции скудны. Во‑первых, если параметры реконструкции выбраны правильно, можно ожидать её непрерывность и дифференцируемость. Во‑вторых, она чаще всего определена только на поверхности некоторой размерности , хотя конкретное значение неизвестно.
5.3.2. Локальные методы
При использовании методов этой группы функции или строятся как множество локальных аппроксимаций в окрестностях отдельных точек, причем «сшивать» друг с другом эти отдельные аппроксимации не требуется.
Для поиска функции находим ближайших соседей точки , которые обозначим . Пусть в окрестности точки функцию можно аппроксимировать полиномом степени , т. е. . Коэффициенты полинома можно найти методом наименьших квадратов, минимизируя функционал
.
Количество точек временного ряда должно быть больше числа искомых коэффициентов . Поэтому очень редко используются полиномы степени выше двух, обычно только при .
Методы нулевого порядка. В этом случае имеем полином нулевого порядка (константа). Для его построения находят ближайшего соседа и полагают , либо используют взвешенную сумму по нескольким ближайшим соседям
.
Выбор весов ‑ самостоятельная задача. Возможен выбор, например, или и т. д. При удачном выборе весов метод работает не хуже методов первого порядка, но более устойчиво.
Методы первого порядка. Полином первого порядка содержит коэффициентов, которые можно представить как скаляр и вектор
.
Значения коэффициентов определяются методом наименьших квадратов. Недостатком метода является его неустойчивость при прогнозе на большое количество шагов вперед. Точность такой аппроксимации составляет , где .
Нелинейные локальные аппроксимации. Для этих методов порядок точности может быть и выше. Однако их использование связано с дополнительными проблемами. Во‑первых, из-за большого количества искомых коэффициентов количество используемых соседей должно быть велико, что заставляет увеличивать окрестность, а поэтому снижается точность. Во‑вторых, становится актуальной проблема выбора существенных переменных, число которых обычно берется меньше . В противном случае, если точки лежат на поверхности размерности , то среди одночленов, входящих в искомый полином, появятся линейно зависимые, что затруднит использование метода наименьших квадратов. В‑третьих, возможны проблемы и с устойчивостью таких аппроксимаций.