Identyfikacja komponentów destrukcyjnych w modelach predykcyjnych w podejściu wielomodelowym

• Autorzy: Ryszard Szupiluk , Paweł Rubach

Warianty tytułu

Identification of Destructive Components in Predictive Models With a Multi-model Approach

• Języki publikacji: PL

Abstrakty

W niniejszym artykule przedstawimy metodę identyfikacji komponentów destrukcyjnych występujących w podejściu wielomodelowym wykorzystującym algorytmy ślepej separacji sygnałów. Ocena charakterystyki poszczególnych komponentów dokonana zostanie na podstawie autorskich mierników zmienności/gładkości sygnałów. W celu potwierdzenia skuteczności prezentowanej metody przedstawimy praktyczny eksperyment poprawy wyników prognozy zużycia energii elektrycznej.(abstrakt oryginalny)

EN

In this paper we present a method of identification of destructive components in predictive models. This method may be applied in case of a multi-model approach and uses algorithms of blind signal separation. The evaluation of the characteristics of individual components will be based on the proposed metrics for evaluating the variation or smoothness of signals. In order to confirm the effectiveness of the presented method, we will present a practical experiment in which the results of the forecast of short-term electricity consumption are improved.(original abstract)

Słowa kluczowe

PL

Podejście wielomodelowe

EN

Multiple-model approach

• Czasopismo: Metody Ilościowe w Badaniach Ekonomicznych / Szkoła Główna Gospodarstwa Wiejskiego
• Rocznik: 2017
• Tom: 18(XVIII)
• Numer: nr 4
• Strony: 679--688

Twórcy

autor

Ryszard Szupiluk

• Szkoła Główna Handlowa w Warszawie

autor

Paweł Rubach

• Szkoła Główna Handlowa w Warszawie

Bibliografia

• Breiman L. (1996) Bagging Predictors. Machine Learning, 24, 123-140.
• Clements R. T. (1989) Combining Forecasts: A Review and Annotated Bibliography. International Journal of Forecasting, 5, 559-581.
• Comon P., Jutten C. (2010) Handbook of Blind Source Separation: Independent Component Analysis and Applications. Academic Press.
• Gatnar E. (2008) Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji. PWN.
• Hamilton J. D. (1994) Time Series Analysis. Princeton University Press, Princeton.
• Hurst H. E. (1951) Long Term Storage Capacity of Reservoirs. Transactions of the American Society of Civil Engineers, 116, 770-799.
• Hyvarinen A., Karhunen J., Oja E. (2001) Independent Component Analysis. John Wiley, New York.
• Oja E. (1995) PCA, ICA and Nonlinear Hebbian Learning. Proc. Int. Conf. on Artificial Neural Networks ICANN-95, Oct. 9-13, France, 89-94.
• Shiryaev A. N. (1999) Essentials of Stochastic Finance: Facts, Models, Theory. Singapore, World Scientific.
• Szupiluk R., Wojewnik P., Ząbkowski T. (2004) Model Improvement by the Statistical Decomposition. Lecture Notes in Computer Science, 3070, 1199-1204.
• Szupiluk R. (2013) Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli data mining. Oficyna Wydawnicza Szkoły Głównej Handlowej w Warszawie.
• Szupiluk R., Wojewnik P., Ząbkowski T. (2010) Noise Detection for Ensemble Methods. Lecture Notes in Artificial Intelligence, 6113, 471-478.
• Therrien C. W. (1992) Discrete Random Signals and Statistical Signal Processing. Prentice Hall, New Jersey.
• Vasegi S. V. (1997) Advanced Signal Processing and Digital Noise Reduction. John Wiley and Sons, Chichester.
• ---

Identyfikatory

DOI

10.22630/MIBE.2017.18.4.63