Sieci Kohonena jako narzędzie wspomagające budowę prognoz kombinowanych

• Autorzy: Joanna Perzyńska

Warianty tytułu

Self-Organizing maps as a Tool Supporting the Construction of Combined Forecasts

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono propozycję wykorzystania sieci Kohonena we wstępnym etapie budowy prognoz kombinowanych. Przy pomocy sieci Kohonena można podzielić zbiór dostępnych modeli na rozłączne klasy, a następnie dokonać redukcjiich liczby. Prognozy składowe prognoz kombinowanych wyznacza się wówczas na podstawie modeli należących do różnych klas, co ma zapewnić niepowielanie informacji oraz zwiększyć dokładność prognoz kombinowanych. Ilustracją rozważań o charakterze teoretycznym jest przykład empiryczny, w którym prognozy (indywidualne i kombinowane) wyznaczono dla zmiennej mikroekonomicznej wykazującej wahania sezonowe. Przeprowadzone badania potwierdziły użyteczność zaproponowanej metody.(abstrakt oryginalny)

EN

In the paper, the author presents suggestion of application of Self-Organizing Maps in the preliminary stage of construction of combined forecasts. Using the SOM, the set of available models can be divided into disjoint classes and then reduced. The component forecasts are then determined on the basis of models belonging to different classes, to ensure that information is not duplicated and to increase the accuracy of the combined forecasts. The illustration of theoretical considerations is the empirical example, in which individual and combined forecasts are calculated for economic variable with seasonal fluctations. The research confirms the usefulness of the suggested method.(original abstract)

Słowa kluczowe

PL

Modele ekonometryczne; Sztuczne sieci neuronowe (SSN); Prognozowanie; Sieć Kohonena

EN

Econometric models; Artificial neural networks (ANN); Forecasting; Network Kohonena

• Czasopismo: Zeszyty Naukowe Zachodniopomorskiej Szkoły Biznesu Firma i Rynek
• Rocznik: 2017
• Numer: nr 2 (52)
• Strony: 77--85

Twórcy

autor

Joanna Perzyńska

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• Armstrong J., Principles of Forecasting: a Handbook for Researchers and Practitioners, 417-435, Kluwer Academic Publishers, Boston 2001.
• Azoff E., Neural network time series forecasting of financial markets, John Wiley & Sons, Chichester 1994, s.14.
• Bates J., Granger C., The combination of forecasts, Operational Research Quarterly no 20, 451-468, 1969.
• Clemen R., Combining forecasts: a review and annotated bibliography, International Journal of Forecasting, 5, 1989, 559-583
• Granger C., Ramanathan R., Improved methods of combining forecasts, Journal of Forecasting, 1984, 3, 197-204.
• Lula P., Hybrydowe metody identyfikacji wzorców oraz modelowania i prognozowania szeregów czasowych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu 2001, Taksonomia nr 906, Klasyfikacja i analiza danych -teoria i zastosowania, 68-76.
• Pawłowski Z., Metody analizy ciągów prognoz, Ekonomista 4, 847-874, 1974.
• Perzyńska J., Budowa prognoz kombinowanych z wykorzystaniem sztucznych sieci neuronowych, Prognozowanie w zarządzaniu firmą, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 103, 2010, 133-145.
• Tadeusiewicz R., Wprowadzenie do praktyki stosowania sieci neuronowych, Sieci neuronowe, StatSoft, Kraków 1999, s.5.
• Witkowska D., Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. Beck Warszawa 2002, s.28.