(۲-۲)

 

 

 

 

 

در مدل های خطی سری زمانی همچون ARMA , MA , AR وARMAX روش های متنوع کلاسیک «تخمین و شناسایی» وجود دارد که می توان مقادیر آتی سری زمانی را بر اساس هر یک از مد های گفته شده مبتنی بر مقادیر قبلی محاسبه کرد. لکن، پیش بینی سری های زمانی که از مدل غیر خطی پیروی می کنند، نیازمند ابزارهای هوشمند و پیشرفته ای مانند شبکه های عصبی است. به طور خلاصه، هدف، یافتن یک «ماشین پیش بینی کننده» است که می تواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی آن را پیش بینی کند. این روند در شکل (۲-۱) ارائه شده است.
پیش بینی سری زمانی با تقدم صفر (m=0) به وسیله شبکه عصبیMLP با الگوریتم یادگیری انتشار وارون از چهار روش مختلف تحلیل نمونه های آموزشی مورد بررسی قرار گرفته است. در هر یک از این روشها، یک ماشین پیش بینی (شبکه عصبی) با i ورودی و o خروجی استفاده شده است. این ماشین، قادر است پس از طی مراحل آموزش، با مشاهدهi نمونه از سری زمانی، o نمونه بلافصل آنها را پیش بینی کند.
ماشین پیش بینی کننده بر اساس i نمونه ی سری زمانی، o نمونه آتی را با m تقدم پیش بینی می نماید. (حالت ماشین پیش بینی کننده بر اساس I نمونه سری زمانی، o نمونه آتی را با m تقدم پیش بینی (حالت کلی) می کند.)
Prediction Machine PM
شکل۲-۱: ماشینپیش بینی کننده
برای آموزش ماشین (یا شبکه عصبی) یک مجموعه آموزشی باp عضو (هر عضو متشکل از i نمونه) و برای ارزیابی و آزمایش آن یک مجموعه آزمون با q عضو استفاده شده است. در هر مرحله آموزش، خروجی ماشین پیش بینی کننده (یا شبکه عصبی) با مقادیر واقعی نمونه ها مقایسه شده و ضرایب درونی شبکه بر اساس الگوریتم آموزشی مورد نظر اصلاح می وشد. پس از پایان دوره آموزش، مجموعه آزمون به ماشین پیش بینی کننده داده شده و خروجی آن با مقادیر اصلی مقایسه می شود. نتایج مقایسه مقادیر پیش بینی شده به وسیله ماشین و مقادیر اصلی، مواد لازم را جهت محاسبه معیار و در نهایت، ارزیابی پیش بینی را فراهم می کند.

 

 

X_Iنمونه i ام سری زمانی

 

N تعداد کل نمونه های سری زمانی

 

 

 

X_Iنمونه i ام سری زمانی پیش بینی شده

 

I تعداد ورودی های شبکه عصبی

 

 

 

P تعداد عناصر مجموعه آموزشی

 

Oتعداد خروجی های شبکه عصبی

 

 

 

Qتعداد عناصر مجموعه آزمون

 

Y_Iنمونه i ام از سری زمانی پردازش شده

 

 

 

 

 

 

(۲-۳)

 

 

 

 

 

روش اول
در این روش، مجموعه آموزشی شبکه شاملP عضوi تایی از نمونه های سری زمانی است. هرi نمونه تعدادo نمونه آتی را پیش بینی می کند.

 

 

Target
مقادیر واقعی

 

Output
پیش بینی شبکه