Определение параметров процесса образования редких событий в экономике для их последующего прогнозирования

В статье представлен метод определения неизвестных параметров процесса, формирующего редкие события в экономике. Редкие события рассматриваются не со статистической точки зрения, а с точки зрения процессов, которые образуют эти события. Причем процесс образования редких событий может быть задан произвольным алгоритмом. Такой процесс также будет использовать неизвестные параметры, которые могут быть не только статическими, но и динамическими. Например, если рассматривать процесс потребления, в результате которого образуются дискретные покупки неподконтрольными нам покупателями, то такими параметрами могут быть максимальный запас и динамически изменяющаяся скорость потребления. В общем виде процесс может быть произвольным и его могут описывать различные параметры. Задача состоит в нахождении этих неизвестных параметров процесса, ориентируясь только на выборку редких событий. Идея метода — минимизация функции потерь, которая определяется на основе различий между событиями, образованными в результате функционирования модели процесса, и событиями из исходной выборки наблюдений. Каждое событие, помимо времени появления, характеризуется еще и дополнительной информацией, например объемом покупки. Необходимо найти такие значения параметров процесса, которые позволяли бы получить очень похожую выборку событий. Динамические параметры процесса задаются в виде кубических сплайнов особой структуры. Для однозначного описания каждого динамического параметра в целевую функцию вносится штраф за чрезмерную гладкость (шероховатость) соответствующих сплайнов. Приведен пример процесса и структура его параметров, подлежащая определению. Оптимизация происходит численными методами, за основу берется алгоритм Нелдера–Мида, который запускается на сетке, чтобы найти глобальный оптимум. Параметры процесса определяются по шагам, в начале только чтобы получить несколько событий, необходимых для продолжения расчетов, потом следующая группа событий и т.д., это позволяет большую оптимизационную задачу разбить на последовательность простых задач, что существенно снижает общую трудоемкость. Описано предположение, которое должно соблюдаться, чтобы такой прием был справедлив. Рассмотрен пример выявления неизвестных параметров на примере процесса потребления. Определив параметры процесса, можно переходить к экстраполяции и осуществлять прогноз будущих событий.

Ключевые слова

редкие события, процесс образования событий, определение параметров процесса, прогнозирование событий, имитационное моделирование, оптимизация, алгоритм Нелдера–Мида.

Источник финансирования

Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (проект 19-010-00154).

Дата публикации

18.06.2022

Кол-во символов

32247

Цитировать

ГОСТ	Кораблев Ю. А. Определение параметров процесса образования редких событий в экономике для их последующего прогнозирования // Экономика и математические методы – 2022. – Tом 58. – Номер 2 C. 80-91 [Электронный ресурс]. URL: https://emm.jes.su/S042473880020016-6-1 (дата обращения: 11.05.2024). DOI: 10.31857/S042473880020016-6
MLA	Korablev, Yuri "Determination of parameters for the formation process of rare events in the economy for their subsequent forecasting." Ekonomika i matematicheskie metody 58.2 (2022):80-91. DOI: 10.31857/S042473880020016-6
APA	Korablev Y. (2022). Determination of parameters for the formation process of rare events in the economy for their subsequent forecasting. Ekonomika i matematicheskie metody 58(2), pp.80-91 DOI: 10.31857/S042473880020016-6

100 руб.

При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Всего подписок: 3, всего просмотров: 309

Оценка читателей: голосов 0

1. Кораблев Ю.А. (2020). Метод восстановления функции по интегралам для анализа и про-гнозирования редких событий в экономике // Экономика и математические методы. М.: ЦЭМИ РАН. Т. 56. № 3. С. 113–124. DOI: 10.31857/S042473880010485-2

2. Кораблев Ю.А., Голованова П.С., Кострица Т.А. (2020). Емкостный метод анализа редких событий в сфере услуг // Экономическая наука современной России, 90, 3, 132–142. DOI: 10.33293/1609-1442-2020-3(90)-132-142.

3. Саймон Д. (2020). Алгоритмы эволюционной оптимизации. Биологически обусловленные и популяционно-ориентированные подходы к компьютерному интеллекту. Пер. с англ. А.В. Логунова. М.: ДМК Пресс. 1002 с.

4. Carreno A., Inza I., Lozano J. (2020). Analyzing rare event, anomaly, novelty and outlier detec-tion terms under the supervised classification framework. Artificial Intelligence Review, 53, 3575–3594. DOI:10.1007/s10462-019-09771-y

5. Goldberg D.E. (1989). Genetic algorithms in search, optimization, and machine learning. Boston: Addison-Wesley. 432 p.

6. Halim S.Z., Quaddus N., Pasman H. (2021). Time-trend analysis of offshore fire incidents using nonhomogeneous Poisson process through Bayesian inference. Process Safety and Environ-mental Protection, 147, 421–429. DOI:10.1016/J.PSEP.2020.09.049

7. Kaya G.O., Sahin M., Demirel O.F. (2020). Intermittent demand forecasting: A guideline for me-thod selection. Sadhana — Academy Proceedings in Engineering Sciences, 45, 1, 45–51. DOI: 10.1007/s12046-020-1285-8

8. Korablev Yu. A. (2022). Restoration of function by integrals with cubic integral smoothing spline in R. ACM Transactions on Mathematical Software. (In print). DOI: 10.1145/3519384

9. Laguna M., Marti R. (2006). Scatter Search. In: Metaheuristic procedures for training neutral networks, p. 139–152. DOI: 10.1007/0-387-33416-5_7

10. Nelder J.A., Mead R. (1965). A simplex method for function minimization. The Computer Jour-nal, 7, 308–313. DOI: 10.1093/comjnl/7.4.308

11. Pince C., Turrini L., Meissner J. (2021). Intermittent demand forecasting for spare parts: A criti-cal review. Omega, 105, 102513. DOI:10.1016/j.omega.2021.102513

12. Willemain T.R., Smart Charles N., Schwarz Henry F. (2004). A new approach to forecasting intermittent demand for service parts inventories. International Journal of Forecasting, 20, 3, 375–387. DOI: 10.1016/S0169-2070(03)00013-X

13. Willemain T.R., Park D.S., Kim Y.B., Shin K.I. (2001). Simulation output analysis using the threshold bootstrap. European Journal of Operational Research, 134, 1, 17–28. DOI: 10.1016/S0377-2217(00)00209-5