Прогнозирование временных рядов

А как ведет себя алгоритм на случайных временных рядах?
Еще на сколько мне известно, то для анализа способности прогнозировать временной ряд, используется временной ряд Лоренца, часто применяемый в задачах прогноза для исследования свойств алгоритма прогнозирования. Проводились ли испытания с данный временным рядом?

Представить временной ряд в виде мультиграфа где из каждой точки временного ряда можно перейти в каждую набором определенных приростов.

Что это значит? Можно было нарисовать во что превращается временной ряд. Лично я вообще не понял сути метода… Превращаем как-то ряд в граф, а потом скачем туда-сюда с помощью «приростов»? Т.е. в зависимости от чего-то выбираем нужный узел в графе?

Согласен с предыдущем оратором, непонятна суть метода, как именно временной ряд представляется в виде графа? И еще хотелось бы узнать больше подробностей про преимущества и недостатки алгоритма. На каких данных он хорош, на каких не очень.

согласен с тремя предыдущими ораторами.
суть метода непонятна. добавьте в пост слайды.

чему именно соответствуют вершины графа?
точкам в пространстве значений ряда?

Присоединяюсь к коллегам — принцип решения поставленный задачи муравьиным алгоритмом ускользнул и от меня.

Пока суд да дело, поделюсь интересной информацией насчет пометкой муравьями пути феромоном.

antclub.ru/lib/reznikova-zh-i/analiz-yazyka-muravev-metodami-teorii-informatsii

Лабиринт монтировался из спичек и укреплялся в кювете с водой для того, чтобы муравьи не могли двигаться по «прямой». В начальную точку муравьи попадали по мостику. Муравьи, находящиеся на арене, не могли видеть происходящего в лабиринте. Для того чтобы исключить маркировку пути пахучим следом, спички, по которым проходили муравьи, периодически заменяли новыми… С «перспективными» разведчиками и их группами мы работали специально в течение нескольких сеансов. Они не только сразу запоминали дорогу, но и сравнительно легко переучивались, когда в ходе одного сеанса менялось направление пути к приманке. Группы, контактировавшие с такими разведчиками, двигаясь компактно, безошибочно направлялись к приманке. Отдельные муравьи, совершавшие ложные повороты, довольно быстро догоняли остальных фуражиров. При этом члены других групп, в том числе «опытные» разведчики, попавшие на установку случайно и не знакомые с координатами кормушки в данный момент, не находили ее в случае трехи более развилок. Это позволяет исключить действие каких-либо иных механизмов ориентации, кроме дистантного наведения, т. е. использования сведений, сообщенных разведчиком.

Согласно работе, информация о маршруте передается от муравья к муравью неким языком, а не пометкой следа феромонами.

Вот ссылки на т.н. «гринвичский» ряд уровня солнечных пятен:
Среднемесячные значения: solarscience.msfc.nasa.gov/greenwch/sunspot_area.txt
Ежедневные значения: solarscience.msfc.nasa.gov/greenwch/daily_area.txt

Пояснения: solarscience.msfc.nasa.gov/greenwch.shtml
solarscience.msfc.nasa.gov/SunspotCycle.shtml

Отрежьте с конца кусок данных лет так за 46 (два полных солнечных цикла с небольшим запасом) и попробуйте предсказать отрезанное. Затем сравните с оригиналом.

После прочтения у меня возникло несколько вопросов (не буду повторять те, что были отмечены в комментариях выше)

1. «прирост -1, -0,9… и так до 1». Прирост у вас по сути получается дискретной величиной. Правильно я понимаю, что по идеи, из исходного ряда (по видимому действительного) вы делаете дискретный со значениями прироста (v_i — v_{i-1}). И уже потом на основе этого ряда, «хитрым способом» получаете граф.

2. Чем этот метод лучше, по сравнению с другими известными способами, например, разными регрессиями или марковскими цепями.

3. «Данный алгоритм мы тестировали на искусственно подготовленных временных рядах с разным уровнем периодичности и шума». Не могли бы вы подробнее рассказать какие вы генерировали тестовые данные, шум с какими характеристиками использовали и т.д.?