Адаптивні методи прогнозування

Важко провести чітку межу, що відокремлює адаптивні методи прогнозування від неадаптивних. Вже прогнозування методом екстраполяції звичайних регресійних кривих містить певний елемент адаптації, коли з кожним новим отриманням фактичних даних параметри регресійних кривих перераховуються і уточнюються. Через досить великий проміжок часу може бути замінений навіть тип кривої. Однак тут ступінь адаптації досить незначна; до того ж із часом вона падає разом зі збільшенням загальної кількості точок спостереження і відповідно із зменшенням у вибірці питомої ваги кожної нової точки.

Послідовність процесу адаптації виглядає наступним чином. Нехай модель знаходиться в деякому початковому стані, і по ній робиться прогноз. Коли закінчиться одна одиниця часу (крок моделювання), аналізуємо, наскільки далекий результат, отриманий за моделлю, від фактичного значення ряду. Помилка прогнозування через зворотній зв'язок надходить на вхід системи і використовується моделлю відповідно до її логікою для переходу з одного стану в інший з метою більшого узгодження своєї поведінки з динамікою ряду. На зміни ряду модель повинна відповідати компенсуючими змінами. Потім робиться прогноз на наступний момент часу, і весь процес повторюється. Таким чином, адаптація здійснюється інтерактивно з отриманням кожної нової фактичної точки ряду. Однак якими мають бути правила переходу системи від одного стану до іншого, яка логіка механізму адаптації?

По суті, це питання вирішується кожним дослідником інтуїтивно. Логіка механізму адаптації задається апріорно, а потім перевіряється емпірично. При побудові, моделі ми неминуче наділяємо її вродженими властивостями і, разом з тим, для більшої гнучкості повинні подбати про механізми умовних рефлексів, засвоюваних або втрачаються з певною інерційністю. Їх сукупність і складає логіку механізму адаптації. У силу простоти кожної окремо взятої моделі та обмеженості вихідної інформації, часто представленої єдиним поруч, не можна очікувати, що яка-небудь одна адаптивна модель годиться для прогнозування будь-якого ряду, будь-яких варіацій поведінки. Адаптивні моделі досить гнучкі, однак на їх універсальність розраховувати не доводиться. Тому при побудові і поясненні конкретних моделей необхідно враховувати найбільш ймовірні закономірності розвитку реального процесу, динамічні властивості ряду співвідносити з можливостями моделі. Необхідно закладати в модель ті адаптивні властивості, яких вистачить для стеження моделі за реальним процесом з заданою точністю.

Разом з тим не можна сподіватися на успішну самоадаптаціі моделі, Більш загальною по відношенню до тієї, яка необхідна для відображення даного процесу, тому що збільшення числа параметрів додає системі зайву чутливість, призводить до її розгойдування і погіршення одержуваних по ній прогнозів. Таким чином, при побудові адаптивної моделі доводиться вибирати між загальною і приватною моделлю і, зважуючи їх достоїнства і недоліки, віддавати перевагу тій, від якої можна чекати найменшою помилки прогнозування. Тому необхідно мати певний запас спеціалізованих моделей, різноманітних за структурою та функціональними властивостями. Для порівняння можливих альтернатив необхідний критерій корисності моделі. Незважаючи на те, що в загальному випадку такий критерій є предметом спору, у разі короткострокового прогнозування визнаним критерієм зазвичай є середній квадрат помилки прогнозування. Про якість моделі судять також за наявністю автокореляції в помилках. У більш розвинених системах процес проб і помилок здійснюється в результаті аналізу як послідовних у часі, так і паралельних (конкуруючих) модифікацій моделі [2].