Strategies for the Long-Term Prediction of Time Series using Local Models

Thumbnail Image

Files

master_Sorjamaa_Antti_2005.pdf (23.25 MB)

URL

Journal Title

Journal ISSN

Volume Title

Helsinki University of Technology | Master's thesis
Location:
P1 Ark S80
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2005

Department

Sähkö- ja tietoliikennetekniikan osasto

Major/Subject

Informaatiotekniikka

Mcode

T-115

Degree programme

Language

en

Pages

12+43

Series

Abstract

Aikasarjan arvojen ennustaminen pitkän matkan päähän on erittäin vaikeaa ja useita ongelmakohtia on otettava huomioon. Siksipä onkin tärkeää kehittää hyviä ja tarkkoja keinoja päästäkseen ennustamisessa hyvään tarkkuuteen ja pitääkseen virheet mahdollisimman pieninä. Tässä diplomityössä esitellään kolme erilaista pitkän matkan ennustusstrategiaa: rekursiivinen (Recursive), suora (Direct) sekä näiden yhdistelmä (Dirrec). Työssä käytetään kahta ennustusmenetelmää: k:n lähimmän naapurin menetelmää ja menetelmää nimeltä Lazy Learning ('laiska oppiminen'). Molempien menetelmien kohdalla esitellään ja vertaillaan alkuperäisiä menetelmiä sekä niihin tehtyjä parannuksia. Kaikki menetelmät tarvitsevat mallinvalintatyökaluja, joista 4 seuraavaa esitellään tarkemmin: k-kertainen ristiinvalidointi, Leave-one-out ristiinvalidointi, Bootstrap sekä Bootstrap 632. Toinen tiiviisti aikasarjaennustamiseen liittyvä pulma on oikean syötteen valinta. Tässä työssä syötteen valinta on sisällytetty edellä mainittujen menetelmien parannuksiin. Kaikkien mainittujen menetelmien ja strategioiden toimintaa on vertailtu kolmen eri aikasarjan avulla: Santa Fe, Darwin Sea Level Pressure sekä Poland Electricity Load. Lopuksi otetaan osaa CATS Benchmark -kilpailuun parhaaksi todetulla menetelmällä.

Description

Supervisor

Simula, Olli

Thesis advisor

Lendasse, Amaury

Keywords

time series, aikasarjat, long-term prediction, aikasarjaennustaminen, prediction strategies, pitkän matkan ennustusstrategiat, input selection, syötteen valinta, local models, paikalliset mallit, lazy learning, Lazy Learning, k-NN, k:n lähimmän naapurin menetelmä

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-2020120451932

Collections

[dipl] Teknillinen korkeakoulu / TKK