Глава 8 Прогнозирование многомерных временных рядов

§ 1. Введение

Традиционно алгоритмы самообучения анализируют протоколы, в которых имеются описания входных воздействий и реакций изучаемой системы на эти воздействия. Раньше в кибернетической литературе задачи установления зависимостей между характеристиками входа и выхода назывались задачами анализа «черного ящика». Однако имеются еще более сложные ситуации, когда входные воздействия сами по себе остаются неизвестными и отражаются в протоколе лишь косвенно, через изменения выходных характеристик наблюдаемых объектов. Дальнейшим осложнением является наличие скрытых внутренних влияний характеристик одних объектов на характеристики других объектов. Такими свойствами обладают, например, протоколы наблюдений за характеристиками людей, взаимодействующих друг с другом в процессе решения неких внешних задач. Другим примером является протокол курса валют или ценных бумаг на бирже.

В таких ситуациях «абсолютно черного ящика» задача предсказания будущего состояния характеристик наблюдаемых объектов может быть решена лишь на базе двух гипотез: гипотезы повторяемости (в прошлом встречались такие же или аналогичные внешние воздействия) и гипотезы адекватности реакции (похожие воздействия вызывают похожие реакции), являющейся очевидной модификацией гипотезы локальной компактности.

В главе описывается обучающийся генетический алгоритм LGAP (Learning Genetic Algorithm for Prognosis) для извлечения закономерностей (знаний) из такого рода данных и использования этих знаний для прогнозирования будущих событий. Алгоритм LGAP существенно использует идеи алгоритмов ZET и WANGA для заполнения пробелов в эмпирических таблицах, которые были описаны в предыдущей главе.