Identyfikacja ukrytych komponentów w szeregach czasowych metodami nieujemnej faktoryzacji macierzy

• Autorzy: Ryszard Szupiluk

Warianty tytułu

Latent Component Identification in Time Series by Nonnegative Matrix Factorization

• Języki publikacji: PL

Abstrakty

W niniejszym artykule przedstawimy zastosowanie metod nieujemnej faktoryzacji macierzy do identyfikacji ukrytych komponentów zawartych w ekonomicznych szeregach czasowych. Wyprowadzony zostanie nowy algorytm nieujemnej faktoryzacji macierzy opary na dywergencji Fermiego-Diraca. Wykorzystując uzyskane ukryte komponenty dokonamy eliminacji szumów z szeregów czasowych reprezentujących wyniki predykcji. Całą koncepcję przetestujemy w problemie prognozy obciążenia systemu elektroenergetycznego.(abstrakt oryginalny)

EN

In this article, we present the use of non-negative matrix factorization methods to identify latent components contained in economic time series. A new non-negative matrix factorization algorithm based on Fermi-Dirac divergence is derived. Using the obtained latent components, we eliminate noise from the time series representing the prediction results. We test the entire concept in the problem of power system load prediction.(original abstract)

Słowa kluczowe

PL

Szeregi czasowe; Macierze; Prognozowanie

EN

Time-series; Matrix; Forecasting

• Czasopismo: Metody Ilościowe w Badaniach Ekonomicznych / Szkoła Główna Gospodarstwa Wiejskiego
• Rocznik: 2022
• Tom: 23(XXIII)
• Numer: nr 2
• Strony: 59--66

Twórcy

autor

Ryszard Szupiluk

• Szkoła Główna Handlowa w Warszawie

Bibliografia

• Bregman L. (1967) The Relaxation Method of Finding a Common Point of Convex Sets and its Application to the Solution of Problems in Convex Programming. Comp. Math. Phys., USSR, 7, 200-217.
• Berry M., Browne M., Langville A., Pauca P., Plemmons R. (2007) Algorithms and Applications for Approximate Nonnegative Matrix Factorization. Computational Statistics & Data Analysis, 52(1), 155-173.
• Cichocki A., Zdunek R., Phan A.-H., Amari S. (2009) Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis. John Wiley.
• Csiszar I. (1974) Information Measures: A Critical Survey. Transactions of the 7th Prague Conference, 83-86.
• Comon P., Jutten Ch. (2010) Handbook of Blind Source Separation: Independent Component Analysis and Applications. Academic Press.
• Dhillon I. S., Sra S. (2005) Generalized Nonnegative Matrix Approximations with Bregman Divergences. Advances in Neural Information Processing Systems, 283-290.
• Dhillon I. S., Tropp J. A. (2007) Matrix Nearness Problems with Bregman Divergences. SIAM Journal on Matrix Analysis and Applications, 29(4), 1120-1146.
• Gillis N. (2020) Nonnegative Matrix Factorization. SIAM, Philadelphia.
• Lee D. D., Seung H. S. (1999) Learning the Parts of Objects by Non-Negative Matrix Factorization, Nature, 401, 788-791.
• Szupiluk R. (2014) Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli Data Mining. Szkoła Główna Handlowa. Oficyna Wydawnicza.
• Szupiluk R., Wojewnik P., Ząbkowski T. (2007) Smooth Component Analysis as Ensemble Method for Prediction Improvement. Lecture Notes in Computer Science, Springer Berlin-Heidelberg, 4666, 277-284.

Identyfikatory

DOI

https://doi.org/10.22630/MIBE.2022.23.2.6