Кузнецов Егор Сергеевич – аспирант кафедры компьютерных технологий в проектировании и производстве, Институт радиоэлектроники и информационных технологий, Нижегородский государственный технический университет им. Р.Е.Алексеева.
Адрес: 603950, Нижний Новгород, ул. Минина, 24.
E-mail: yegor_s@rambler.ru

По оценкам зарубежных и отечественных специалистов, в настоящее время насчитывается свыше ста методов прогнозирования. Поэтому возникает задача выбора метода, который давал бы адекватные прогнозы для изучаемых систем и связанных с ними процессов. Опыт показывает, что собственную оценку сложности реализации конкретного метода можно выполнить, если иметь четкое математическое описание – математическую модель конкретного метода, выраженную, например, в лингвистической форме в виде прогнозирующего оператора (ПО).

В практических исследованиях в качестве модели ПО в основном используются следующие функции: линейная (ARMA, ARIMA), квадратичная, степенная, показательная, экспоненциальная (экспоненциального сглаживания), логистическая. При этом не все процессы удается прогнозировать такими моделями, хотя в ряде случаев их удается заменить линейной комбинацией гармонических или иных функций. Соответственно, в работе ставится задача предложить и обосновать универсальный метод, не требующий применения комбинаций гармонических и линейных функций.

Результатом исследования является новый метод прогнозирования экономических временных рядов, основанный на предварительной оптимальной дискретизизации («оптимальном загрублении») исходных данных. В раках этого метода выбрана такая модель прогностического оператора, при которой ее параметры были бы согласованы между собой и находились (идентифицировались) по единому критерию специально введенных оптимальных базовых параметров. Рассмотрены особенности нового метода и алгоритмов прогнозирования, основанных на определении оптимальных базовых параметров процессов, оптимально дискретизированных по уровню и времени во временные ряды. Показано, что информационные системы прогнозирования, разработанные на основе предложенного метода, позволяют эффективно прогнозировать экономические процессы 

Предлагаемый метод хорошо зарекомендовал себя в задачах прогнозирования рядов, в которых априорная информация не позволяет сделать вывод о функциональной зависимости прогнозируемого значения от предыдущих. В случаях, когда имеется априорная информация (например, информация о наличии сезонной компоненты), следует использовать «классические», наиболее популярные методы прогнозирования, позволяющие учесть эту информацию.