Диссертация «Модель прогнозирования временных рядов по выборке максимального подобия». Список литературы.

Аватар пользователя chuchueva
Глава 1. Постановка задачи и обзор моделей прогнозирования временных рядов
Глава 2. Модели экстраполяции временных рядов по выборке максимального подобия
Глава 3. Метод прогнозирования на модели экстраполяции по выборке максимального подобия
Глава 4. Программная реализация и оценка эффективности модели экстраполяции по выборке максимального подобия
Список литературы

1. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. М.: Мир, 1974. 406 с.

2. Егошин А.В. Анализ и прогнозирование сложных стохастических сигналов на основе методов ведения границ реализаций динамических систем: Автореферат диссертации … канд. техн. наук. Санкт-Петербург, 2009. 19 с.

3. Gheyas I.A., Smith L.S. A Neural Network Approach to Time Series Forecasting // Proceedings of the World Congress on Engineering, London, 2009, Vol 2 [электронный ресурс]. P. 1292 – 1296. URL: www.iaeng.org /publication/WCE2009/WCE2009_pp1292-1296.pdf (дата обращения 28.08.2011).

4. Morariu N., Iancu E., Vlad S. A neural network model for time series forecasting // Romanian Journal of Economic Forecasting. 2009, No. 4. P. 213 – 223.

5. Mazengia D.H. Forecasting Spot Electricity Market Prices Using Time Series Models: Thesis for the degree of Master of Science in Electric Power Engineering. Gothenburg, Chalmers University of Technology, 2008. 89 p.

6. Нормативные системы в прогнозировании развития предпринимательского сектора экономики / Л.И. Муратова [и др.] // Управление экономическими системами [электронный ресурс]. 2009, №20. URL: http://uecs.mcnip.ru/modules.php?name=News&file=print&sid=145 (дата обращения 28.08.2011).

7. Parzen E. Long memory of statistical time series modeling // NBER-NSF Time Series Conference, USA, Davis, 2004 [электронный ресурс]. 10 p. URL: http://www.stat.tamu.edu/~eparzen/Long%20Memory%20of%20Statistical%20Time%20Series%20Modeling.pdf (дата обращения 28.08.2011).

8. Методы прогнозирования оптимальных доз инсулина для больных сахарным диабетом I типа. Обзор / С.А. Чернецов [и др.] // Наука и образование [электронный ресурс]. 2009, №9. URL: http://technomag.edu.ru/ doc/ 119663.html (дата обращения 28.08.2011).

9. Jingfei Yang M. Sc. Power System Short-term Load Forecasting: Thesis for Ph.d degree. Germany, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 p.

10. Extrapolation // The free encyclopedia «Wikipedia» [электронный ресурс]. URL: http://en.wikipedia.org/wiki/Extrapolation (дата обращения 28.08.2011).

11. Norizan M., Maizah Hura A., Zuhaimy I. Short Term Load Forecasting Using Double Seasonal ARIMA Model // Regional Conference on Statistical Sciences, Malaysia, Kelantan, 2010. P. 57 – 73.

12. Collantes-Duarte J., Rivas-Echeverriat F. Time Series Forecasting using ARIMA, Neural Networks and Neo Fuzzy Neurons // WSEAS International Conference on Neural Networks and Applications, Switzerland, 2002 [электронный ресурс]. 6 p. URL: www.wseas.us/e-library/conferences/switzerland2002/papers/464.pdf (дата обращения 28.08.2011).

13. Day-Ahead Electricity Price Forecasting Using the Wavelet Transform and ARIMA Models / A.J. Conejo [at al.] // IEEE transaction on power systems. 2005, Vol. 20, No. 2. P. 1035 – 1042.

14. Тихонов Э.Е. Прогнозирование в условиях рынка. Невинномысск, 2006. 221 с.

15. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005. 736 с.

16. Armstrong J.S. Forecasting for Marketing // Quantitative Methods in Marketing. London: International Thompson Business Press, 1999. P. 92 – 119.

17. Семенов В.В. Математическое моделирование динамики транспортных потоков мегаполиса. М.: ИПМ им. М.В.Келдыша РАН, 2004. 44 с.

18. Self-organization in leaky threshold systems: The influence of near-mean field dynamics and its implications for earthquakes, neurobiology, and forecasting / J.B. Rundle [at al.] // Colloquium of the National Academy of Sciences, Irvine, USA, 2002. P. 2514 – 2521.

19. Draper N., Smith H. Applied regression analysis. New York: Wiley, In press, 1981. 693 p.

20. Maximum likelihood // The free encyclopedia «Wikipedia» [электронный ресурс]. URL: http://en.wikipedia.org/wiki/Maximum_likelihood (дата обращения 28.08.2011).

21. Ивахненко А.Г. Обзор задач, решаемых по алгоритмам Метода Группового Учета Аргументов (МГУА) // Group Method of Data Handling [электронный ресурс]. URL: http://www.gmdh.net/articles/rus/obzorzad.pdf (дата обращения 28.08.2011).

22. Autoregressive conditional heteroskedasticity // The free encyclopedia «Wikipedia» [электронный ресурс]. URL: http://en.wikipedia.org/wiki/Autoregressive_conditional_heteroskedastici (дата обращения 28.08.2011).

23. Эконометрия: Учебное пособие / В.И. Суслов [и др.] Новосибирск: Издательство СО РАН, 2005. 744 c.

24. Prajakta S.K. Time series Forecasting using Holt-Winters Exponential Smoothing // Kanwal Rekhi School of Information Technology Journal [электронный ресурс]. 2004. 13 p. URL: http://www.it.iitb.ac.in/~praj/acads/seminar/04329008_ExponentialSmoothing.pdf (дата обращения 28.08.2011).

25. Хайкин С. Нейронные сети: полный курс. М.: ООО «И. Д. Вильямс», 2006. 1104 с.

26. Pradhan R.P., Kumar R. Forecasting Exchange Rate in India: An Application of Artificial Neural Network Model // Journal of Mathematics Research. 2010, Vol. 2, No. 4. P. 111 – 117.

27. Yildiz B., Yalama A.,Coskun M. Forecasting the Istanbul Stock Exchange National 100 Index Using an Artificial Neural Network // An International Journal of Science, Engineering and Technology. 2008, Vol. 46. P.36 – 39.

28. An Artificial Neural Network Approach for Day-Ahead Electricity Prices Forecasting / J. Catalao [at al.] // 6th WSEAS international conference on Neural networks, USA, Stevens Point, 2005. P. 80 – 83.

29. Kumar M. Short-term load forecasting using artificial neural network techniques: Thesis for Master of Science degree in Electrical Engineering. India, Rourkela, National Institute of Technology, 2009. 48 p.

30. Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites // 1st International Conference on Computing in an Imperfect World, UK, London, 2002. P. 60 – 73.

31. Hannes Y.Y., Webb P. Classification and regression trees: A User Manual for IdentifyingIndicators of Vulnerability to Famine and Chronic Food Insecurity // International Food Policy Research Institute [электронный ресурс]. 1999. 59 p. URL: http://www.fao.org/sd/erp/toolkit/BOOKS/classification_and_ regression_trees_intro.pdf (дата обращения 28.08.2011).

32. Huanga W., Nakamoria Y., Wangb S. Forecasting stock market movement direction support vector machine // Elsevier: computers and operation research. 2005, Vol. 32. P. 2513 – 2522.

33. Support vector machine // The free encyclopedia «Wikipedia» [электронный ресурс]. URL: http://en.wikipedia.org/wiki/Support_vector_machine (дата обращения 28.08.2011).

34. Mahfoud S., Mani G. Financial Forecasting Using Genetic Algorithms // Applied Artificial Intelligence. 1996, Vol. 10, No.6. P. 543 – 565.

35. Nogales F.J., Conejo A.J. Electricity price forecasting through transferfunction models // Journal of the Operational Research Society. 2006, Vol. 57, No. 4. P. 350 – 356.

36. Alfares H.K., Nazeeruddin M. Electric load forecasting: literature survey and classifcation of methods // International Journal of Systems Science. 2002, Vol 33. P. 23 – 34.

37. Hinman J., Hickey E. Modeling and forecasting sort term electricity load using regression analysis // Journal of IInstitute for Regulatory Policy Studies [электронный ресурс]. 2009. 51 p. URL: http://www.irps.ilstu.edu/research/documents/LoadForecastingHinman-HickeyFall2009.pdf (дата обращения 28.08.2011).

38. Fogler H.R. A pattern recognition model for forecasting // Management science. 1974, No.8. P. 1178 – 1189.

39. Discovering Patterns in Electricity Price Using Clustering Techniques / F. Martinez Alvarez [at al.] // ICREPQ International Conference on Renewable Energies and Power Quality, Spain, Sevilla, 2007 [электронный ресурс]. 8 p. URL: http://www.icrepq.com/icrepq07/245-martinez.pdf (дата обращения 28.08.2011).

40. Singh S. Pattern Modelling in Time-Series Forecasting // Cybernetics and Systems-AnInternational Journal. 2000, Vol. 31, No. 1. P. 49 – 65.

41. Scherer Perlin M. Nearest neighbor method // Revista Eletronica de Administracao [электронный ресурс]. 2007, Vol. 13, No. 2. 15 p. URL: http://read.adm.ufrgs.br/edicoes/pdf/artigo_495.pdf (дата обращения 28.08.2011).

42. Fernandez-Rodriguez F., Sosvilla-Rivero S., Andrada-Felix J. Nearest-Neighbour Predictions in Foreign Exchange Markets // Fundacion de Estudios de Economia Aplicada [элекронный ресурс]. 2002, No.5. 36 p. URL: http://www.fedea.es/pub/Papers/2002/dt2002-05.pdf(дата обращения 28.08.2011)

43. Трофимов А. Г., Скругин В. И. Адаптивный классификатор многомерных нестационарных сигналов на основе анализа динамических паттернов // Наука и образование [электронный ресурс]. 2010, №8. URL: (дата обращения 28.08.2011).

44. Мерков А.Б. Распознавание образов: Введение в методы статистического обучения. М.:Едиториал УРСС, 2011. 254 с.

45. Чучуева И.А. Модель экстраполяции по максимуму подобия (ЭМП) для временных рядов цен и объемов на рынке на сутки вперед ОРЭМ (Оптовом рынке электроэнергии и мощности) // Наука и образование [электронный ресурс]. 2010. № 1. URL: http://technomag.edu.ru /doc/135870.html (дата обращения 28.08.2011).

46. Иглин С.П. Математические расчеты на базе Matlab. СПб.: BHV-Санкт-Петербург, 2005. 640 с.

47. Тест «Java Micro Benchmark» // Java [электронный ресурс]. URL: http://infoscreens.org/benchmark_en.html (дата обращения 28.08.2011).

48. Mishra S. Short term load forecasting using computation intelligence methods: Thesis for the degree of Master of technology electronics and communication engineering. India, Rourkela, National Institute Of Technology, 2008. 89 p.

49. Продукт «Прогнозы» // Закрытое акционерное общество «РусПауэр». URL: http://www.ruspower.ru/products/forecast (дата обращения 28.08.2011).

50. Java Help Center [электронный ресурс] // URL: http://www.java.com/en/download/help/index.xml (дата обращения 28.08.2011).

51. Документация по MySQL [электронный ресурс] // URL: http://www.mysql.ru/docs/ (дата обращения 28.08.2011).

52. Рыжкова Ж. В. Методические подходы к формированию стратегий генерирующий компаний на рынках энергии и мощности: Автореферат дисс. … канд. эконом. наук. Москва, 2010. 20 с.

53. Многофакторное прогнозирование потребления электроэнергии в промышленном и бытовом секторах / Т. Кирилова [и др.] // Энергорынок 2009, №11. С. 40 – 43.

54. Павлов Ю. Н., Чучуева И. А. Экстраполяция псевдослучайных процессов по максимуму подобия // Наука и образование [электронный ресурс]. 2009. №7. URL: (дата обращения 28.08.2011).

55. Pavlov J. N., Chuchueva I. A. Extrapolation of pseudorandom number sequence on maximum likeness // Наука и образование [электронный ресурс]. 2009. №7. URL: http://technomag.edu.ru/en/doc/129712.html (дата обращения 28.08.2011).

56. Чучуева И. А. Модель экстраполяции временных рядов по выборке максимального подобия // Информационные технологии. 2010. №12. С. 43 – 47.

57. Чучуева И. А., Павлов Ю. Н. Сезонно-регрессионная модель прогнозирования в решении задачи прогнозирования цен РСВ (рынок на сутки вперед) // Энерго-Info. 2009. №4. С. 46 – 49.

58. BI EnergoPrice: Прогнозирование цен на электроэнергию.// Общество с ограниченной ответственностью «BIGroupLabs» [электронный ресурс]. URL: http://www.bi-grouplabs.ru/Rech/electricity/BI_EnergoPrice.html (дата обращения 28.08.2011).

59. Oliva R., Watson N. Managing Functional Biases in Organizational Forecasts: A Case Study of Consensus Forecasting in Supply Chain Planning // HBS Working Paper [электронный ресурс]. 2006, No.10. P. 7 – 24. URL: http://www.hbs.edu/research/pdf/07-024.pdf (дата обращения 28.08.2011).

60. Reinaldo C. Garcia A. GARCH Forecasting Model to Predict Day-Ahead Electricity Prices // Workshop of Applied Infrastructure, Germany, Berlin, 2003 [электронный ресурс]. 14 p. URL: http://www.wip.tu-berlin.de/typo3/fileadmin/documents/infraday/2003/papers/Contreras-Garcia-Garcia2003-paper-Garch_Models_to_Predict_Electricity_Prices.pdf (дата обращения 28.08.2011).

61. A GARCH Forecasting Model to Predict Day-Ahead Electricity Prices / R.C. Garcia [at al.] // IEEE Transactions on Power Systems. 2005, Vol. 20, No. 2. P. 867 – 874.

62. Day-ahead electricity prices forecasting based on time series models: a comparison / R. Espinola [at al.] // 14th Power Systems Computation Conference, Spain, Sevilla, 2002, Session 15, Paper 6 [электронный ресурс]. 8 p. URL: http://www.pscc-central.org/uploads/tx_ethpublications/s15p06.pdf (дата обращения 28.08.2011).

63. Zareipour H., Bhattacharya K., Canizares C.A. Forecasting the Hourly Ontario Energy Price byMultivariate Adaptive Regression Splines // IEEE Power Engineering Society General Meeting, Canada, Montreal, 2006. 7 p.

64. Zareipour H. Price Forecasting and Optimal Operation of Wholesale Customers in a Competitive Electricity Market: Thesis for Ph.D degree. Canada, Ontario, 2006. 201 p.

65. Bunnoon P., Chalermyanont K., Limsakul C. A Computing Model of Artificial Intelligent Approaches to Mid-term Load Forecasting: a state-of-the-art-survey for the researcher // IACSIT International Journal of Engineering and Technology. 2010, No.1. P. 94 – 100.

66. Basaran Filik U.,Kurban M. A New Approach for the Short-Term Load Forecasting with Autoregressive and Artificial Neural Network Models // International Journal of Computational Intelligence Research. 2007, No.3. P. 66 – 71.

67. Taylor J.W., McSharry P.E. Short-Term Load Forecasting Methods: An Evaluation Based on European Data // IEEE Transactions on Power Systems 2008, Vol.22. P. 2213 – 2219.

68. Сидоров С.Г., Никологорская А.В. Анализ временных рядов как метод построения потребления электроэнергии // Вестник ИГЭУ. 2010, Вып. 3. С. 81 – 83.

69. Соломкин А.В. Краткосрочное прогнозирование потребления электроэнергии с помощью нейросетевых методов // Электроника и информационные технологии [электронный ресурс]. 2011, №1. 5 с. URL: http://fetmag.mrsu.ru/2009-3/pdf/Forecasting_electricity_consumption.pdf (дата обращения 28.08.2011).

70. Староверов Б.А., Изотов В.А., Мормылев М.А. Повышение точности оперативных прогнозов потребления электроэнергии с помощью нейронных сетей за счет объединения процессов классификации и аппроксимации суточных профилей // Вестник ИГЭУ. 2007, Вып. 4. С. 91 – 93.

71. Чернецов С. А., Чучуева И. А. Прогнозирование уровня глюкозы в крови больных инсулинозависимым диабетом нейронными сетями и методом экстраполяции по выборке максимального подобия // Наука и образование [электронный ресурс]. 2010. №11. URL: http://technomag.edu.ru/doc/162847.html (дата обращения 28.08.2011).

72. Конкурс «Интернет математика 2010» // Компания «Яндекс» [электронный ресурс]. URL: http://imat2010.yandex.ru (дата обращения 28.08.2011).

73. Гуда С.А., Рябов Д.С. Прогнозирование пробок на улицах по известным данным о скорости автомобилей // IV Российская летняя школа по информационному поиску: Труды четвертой российской конференции молодых ученых по информационному поиску. Воронеж, 2010. С. 52–63.

74. Чучуева И. А. Прогнозирование временных рядов при помощи модели экстраполяции по выборке максимального подобия // Наука и современность: сборник материалов Международной научно-практической конференции. Новосибирск, 2010. С. 187 – 192.

75. Chuchueva I. The time series extrapolation model based on maximum likeness set // Математическое моделирование социальной и экономической динамики: труды III Международной конференции. М., 2010. С. 281–283.

Глава 1. Постановка задачи и обзор моделей прогнозирования временных рядов
Глава 2. Модели экстраполяции временных рядов по выборке максимального подобия
Глава 3. Метод прогнозирования на модели экстраполяции по выборке максимального подобия
Глава 4. Программная реализация и оценка эффективности модели экстраполяции по выборке максимального подобия
Список литературы
Для добавления комментариев войдите или зарегистрируйтесь

2010 - 2017 © Математическое бюро

Все права защищены в соответствии с законодательством РФ

При полном или частичном использовании материалов ссылка на сайт обязательна