Экспериментальное исследование эффективности теоретико-информационных методов прогнозирования тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Приставка, Павел Анатольевич

• Приставка, Павел Анатольевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Приставка, Павел Анатольевич

Введение.

Глава 1. Описание методов прогнозирования.

1.1. Введение.

1.2. Краткий обзор современных тенденций в области прогнозирования.

1.3. Прогнозирование на основе методов сжатия данных.

1.4. Прогнозирование на основе универсальной меры.

1.4.1 Описание подхода.

1.4.2 Практические аспекты реализации и использования метода.

1.4.2.1 Реализация метода.

1.4.2.2 Определение параметров метода при практическом использовании.

1.4.3 Пример практического применения.

Выводы.

Глава 2. Прогнозирование солнечной активности.

2.1. Описание предметной области.

2.2. Экспериментальные результаты.

2.2.1 Прогнозирование на один шаг вперед.

2.2.2 Сравнение краткосрочных прогнозов.

Выводы.

Глава 3. Прогнозирование геомагнитной активности и показателей уровня моря.

3.1. Описание предметной области.

3.1.1 Геомагнитная активность.

3.1.2 Уровень моря.

3.2. Экспериментальные результаты.

3.2.1 Прогнозирование ОБТ-индексов.

3.2.2 Прогнозирование показателей уровня моря.

Выводы.

Глава 4. Прогнозирование социально-экономических процессов.

4.1. Описание предметной области.

4.1.1 Безработица.

4.1.2 Валовой внутренний продукт.

4.1.3 Валютный курс.

4.2. Экспериментальные результаты.

4.2.1 Прогнозирование уровня безработицы США.

4.2.2 Прогнозирование ВВП США.

4.2.3 Прогнозирование валютных курсов.

Выводы.;.:.

Глава 5. Участие в международном конкурсе по прогнозированию М

5.1. Международный конкурс по прогнозированию М4.

5.2. Прогнозирование данных для участия в конкурсе М4.

Выводы.

Основные заключения и выводы.

Введение диссертации (часть автореферата) на тему «Экспериментальное исследование эффективности теоретико-информационных методов прогнозирования»

Актуальность исследования Диссертация посвящена экспериментальному исследованию теоретико-информационных методов прогнозирования сложных прикладных процессов. '

Известно, что методы прогнозирования служат для исследования системных связей и закономерностей функционирования,и развития' объектов и процессов с использованием современных методов обработки информации и являются важным средством в анализе сложных прикладных систем, обработке информации, целенаправленном воздействии человека на объекты исследования, с целью повышения эффективности их функционирования.

Методы: прогнозирования, т.е: специального научного: исследования конкретных перспектив развития какого-либо процесса, находят самое широкое: применение на практике в различных» областях. К их числу можно отнести, например^ анализ социальных, экономических и геофизических: событий^

Особое, внимание уделяется; проблеме прогнозирования временных рядов,- т. е. функции, определённой' на осивремени,. так как этот класс1 задач широко' связан с: многими проблемами экономики, геофизики и других областей; Эти методы играют ключевую роль в повышения эффективности, надежности и качества технических, экономических, биологических, медицинских и социальных систем.

Благодаря практической важности методов прогнозирования- их разработке и совершенствованию посвящены работы многих исследователей в нашей стране и за рубежом, среди которых можно отметить К. Faycca, К. Пирсона,, Дж; Бокса, Г. Дженкинса, Р. Шамвей, В; Вандаеле, JI: Вей, Р. Хиндмана. Также с целью развития исследований в области прогнозированиями его использования для решения прикладных задач был создан Международный Институт Прогнозистов: (International Institute of"' Forecasters), организовывающий ежегодные международные тематические конференции; на различных уровнях на регулярной основе проводятся конкурсы для определения наиболее точных методов прогнозирования.

Среди наиболее известных методов прогнозирования мы отметим многомерную регрессию, в том числе с использованием непараметрических оценок плотности распределения, представляющую на сегодняшний день основной инструмент прогнозирования Отметим также, что для автоматизации и контроля части операций при построении прогноза возможно использование специальных компьютерных программ. Среди подобных средств прогнозирования можно выделить такие программы как Autobox, Statistical

Несмотря на наличие многих эффективных методов прогнозирования, связанных с разнообразным математическим аппаратом (спектральный анализ, регрессивный анализ и другое), алгоритмов, связанных' с построением экспертных оценок, многие проблемы еще далеки от своего разрешения. Одна из' важнейших таких проблема - повышение качества прогнозирования характеристик систем, описываемых временными рядами: Например, в журнале «Международный журнал прогнозирования» («International Journal ' of Forecasting»)- более половины статей посвящены вопросам прогнозирования, временных рядов. В специализированных журналах, посвященных системному анализу и прогнозированию экономических процессов, таких как, например, «Журнал экономического прогнозирования» ("Journal for Economic Forecasting"), этому направлению уделяется большое внимание.

Число публикаций, посвященных методам прогнозирования временных рядов, постоянно увеличивается. Полученные в них новые научные знания постоянно применяются для решения задач в сложных прикладных системах.

Объектом исследования являются методы и алгоритмы г прогнозирования временных характеристик сложных прикладных систем в экономике, геофизике и других областях.

Цели работы и задачи исследования является экспериментальное исследование теоретико-информационных методов прогнозирования применительно к задачам анализа, временных характеристик сложных прикладных систем, обработке информации, целенаправленном воздействии человека на процессы с целью повышения эффективности их функционирования. Ранее работах Рябко Б.Я. [4,67] было показано, что разработанные методы прогнозирования являются асимптотически оптимальными (т.е. оптимальны при объеме наблюдений- стремящемся к бесконечности), однако сведения об оценке качества получаемых на1 их основе прогнозов при решении практически важных задач отсутствовали. ' '

Для достижения поставленной цели были!решены следующие задачи:

1. Анализ известных методов прогнозирования, характеристик сложных систем.

2. Разработка алгоритмов и программных реализаций теоретико-информационных методов прогнозирования.

3. Прогнозирование характеристик экономических систем, описывающих интегральные показатели их эффективности (на примере* показателей безработицы, курсов валют, показателей ВВП).

4. Прогнозирование характеристик геофизических процессов, влияющих на функционирование экономических систем.

5. Разработка практических рекомендаций по применению теоретико-информационных методов прогнозирования.

Достоверность результатов обеспечивается- корректным применением методов математической статистики и теории вероятностей.

Научная новизна диссертации заключается в следующем:

1. Разработан алгоритм прогнозирования временных рядов, основанный на универсальных кодах, время работы которого близко к линейному, что позволяет использовать его при прогнозировании практически важных процессов.1 '

2. Разработана методика применения данного алгоритма к прогнозированию характеристик сложных экономических систем и показано, что получаемые прогнозы обладают более высоким качеством, чем ранее известные методы.

3. Разработана методика применения данного алгоритма к прогнозированию характеристик сложных; геофизических систем- и показано, что получаемые прогнозы обладают более- высоким, качеством, чем используемые в настоящее время методы.

4. Выработаны практические рекомендации по применению теоретиког информационного подхода к прогнозированию г временных характеристик различных сложных систем

Практическая ценность реализации Разработанные алгоритмы являются важными методами^ интеллектуальной поддержки при принятии, управленческих решений в различных сложных системах с целью повышения эффективности их функционирования. При. решении ряда задач? прогнозирования; разработанные методы обеспечивают на порядок более высокое, чем ранее известные методы, качество прогнозов.

Внедрение результатов исследования в практику Основные результаты ' использованы при выполнении следующих проектов и государственных программ:

• Проект Федеральной целевой, программы «Разработка эффективных методов кодирования, передачи, защиты и хранения информации, основанных на теоретикогинформационном подходе». Государственный контракт № 02.740; 11.0396 -.

• Проект РФФИ 09-07-00005-а «Разработка эффективных методов стеганографии и стегоанализа» (руководитель - Рябко Б. Я.)

• ; Гранты для" выполнения научных исследований '" аспирантами, магистрантами и молодыми преподавателями ФГОБУ ВПО «СибГУТИ», 2009 и 2010 гг.

Результаты работы внедрены в учебный процесс на кафедре ПМиК в программах курсов «Защита информации» (бакалавриат) и «Современные проблемы информатики» (магистратура) по направлению подготовки 230100 «Информатика и вычислительная техника».

Апробация работы

Основные результаты диссертационной работы докладывались и обсуждались на следующих российских и международных конференциях:

• XIII Российская конференция «Распределенные информационные и вычислительные ресурсы» (Новосибирск, 2010)

• XLIX Международная научная студенческая конференция «Студент и научно-технический прогресс» (Новосибирск, 2011)

• «Информатика и проблемы телекоммуникаций» (Новосибирск, 2011)

• Applied Methods of Statistical Analysis. Simulations and Statistical Inference (Russia, Novosibirsk, 2011)

• International Symposium on Forecasting (Czech Republic, Prague, 2011)

Публикации

По теме диссертации опубликовано 9 печатных работ, в том числе 2 работы в научных журналах и изданиях, внесённых в перечень журналов и изданий, утвержденных ВАК. Результаты работы отражены в отчетах по грантам и НИР. Список работ приведен на страницах 16-17 автореферата.

Основные положения, выносимые на защиту

1. Экспериментально доказано, что теоретико-информационные методы прогнозирования, основанные на универсальном кодировании, обеспечивают высокое качество прогноза при их практическом применении к сложным системам.

2. Качество результатов разработанного метода при прогнозировании сложных прикладных экономических и геофизических систем выше, чем

• у ранее известных методов.

3. Разработанные методы целесообразно применять при прогнозировании характеристик, сложных систем в экономике, геофизике и других областях при решении задач управления и обработки информации.

Структура диссертации Диссертация занимает 153 страницы текста и состоит из введения, пяти глав, заключения, списка литературы и приложения. Работа содержит 18 таблиц и 29 рисунков. Список литературы включает 102 источника.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Приставка, Павел Анатольевич

ОСНОВНЫЕ ЗАКЛЮЧЕНИЯ И ВЫВОДЫ

В рамках диссертационной работы было осуществлено экспериментальное исследование теоретико-информационных методов прогнозирования, основанных на универсальном кодировании, применительно к практически важным данным. Анализ результатов исследования показал, что разработанные подходы и методы во многих случаях в аналогичных условиях обеспечивают более высокое качество прогнозов, чем применяемые в настоящее время средства прогнозирования, включающие специализированные для некоторых данных методы, а также программные средства общего назначения. Полученный результат позволяет утверждать, что разработанные подходы и методы целесообразно применять при прогнозировании характеристик сложных систем, представляющих социально-экономические, геофизические и другие области.

Список литературы диссертационного исследования кандидат технических наук Приставка, Павел Анатольевич, 2011 год

1. Дуванин А.И. Уровень моря. Л.: Гидрометеоиздат, 1956. с. 59

2. Колмогоров А. Н. Три подхода к определению понятия "количество информации" // Проблемы передачи информации. 1965. Т. 1, № 1, Р. 3-11.

3. Рябко Б. Я. Дважды универсальное кодирование // Проблемы передачи информации. 1984. Т. 20, № 3. С. 24-28

4. Рябко Б. Я. Прогноз случайных последовательностей и универсальное кодирование //Проблемы передачи информации. 1988. Т. 24, № 2. Р. 3-14.

5. Сайт FIFA Электронный ресурс. Режим доступа: http://www.fifa.com/worldcup/archive/, свободный.

6. Сайт конкурса по прогнозированию M4competition » Электронный ресурс. Режим AOCTynahttp://m4competition.com/, свободный.

7. Сайт конкурса по прогнозированию NN5 Электронный ресурс. Режим доступа : http://www.neural-forecasting-competition.com/NN5/index.htm, свободный.

8. Сайт организации «Automatic Forecasting Systems» Электронный ресурс. Режим доступа: http://autobox.com/, свободный.

9. Сайт организации «National Océanographie and Atmospheric Organization» Электронный ресурс. — Режим доступа: http://www.noaa.gov/, свободный.

10. Сайт организации «International Institute of forecasters» Электронный ресурс. Режим доступа: http://www.forecasters.org/, свободный.

11. Сайт организации «Permanent Service for Mean Sea Level»Электронный ресурс. Режим доступа: http://www.psmsl.org/, свободный .

12. Сайт организации «StatSoft» Электронный ресурс. Режим доступа: http://www.statsoft.ru/, свободный.

13. Сайт сервиса «British Oceanographic Data Centre. UK National Tide Gauge Network» Электронный ресурс. — Режим доступа: https://www.bodc.ac.uk/data/onlinedelivery/ntslf/, свободный.

14. Сайт сервиса «ForecastinPriciples.com» Электронный ресурс. Режим доступа: http://www.forecastingprinciples.com/, свободный.

15. Сайт сервиса «FreeLunch.com» Электронный ресурс. — Режим доступа: http://www.economy.com/freelunch/default.asp, свободный.

16. Сайт сервиса «FXHISTORICALDATA.COM» Электронный ресурс. -Режим доступа: http://www.fx-historicaldata.com/, свободный.

17. Сайт сервиса «Geomagnetic Data & Models» Электронный ресурс. -Режим доступа: http://www.ngdc.noaa.gov/geomag/geomag.shtml, свободный.

18. Сайт сервиса «Space Weather & Solar Events» Электронный ресурс. — Режим доступа: http://www.ngdc.noaa.gov/stp/spaceweather.html, свободный.

19. Сайт сервиса,«Space Weather Prediction Center» Электронный ресурс. — Режим доступа http://www.swpc.noaa.gov/, свободный .

20. Фитингоф Б. М. Оптимальное кодирование при неизвестной и меняющейся статистике сообщений // Проблемы передачи информации. 1966. Т. 2, № 2. С.3-11.

21. Цариков М.В. Влияние С А на людей и экономику. Электронный ресурс. Режим доступа: http://tonos.ru/articles/sunpower, свободный.

22. Aha D. Lazy learning. Kluwer Academic Publishers, Norwell, MA, USA, 1997.

23. Ahmed N. et al. An empirical comparison of machine learning models for time series forecasting // Econometric Reviews. 2010. V. 29, Issue 5-6. P. 594-621.

24. Alpaydin E. Introduction to Machine Learning, Second Edition.( Adaptive Computation and Machine Learning). The MIT Press, February 2010.

25. Anders U., Korn O. Model selection in neural networks // Neural Netw./ 1999. V. 12, Issue 2. P.309-323.

26. Arctowskij H. On solar. faculae; and solar constant- variations > //Proceedings of the National Academy of Sciences of USA-. 4940,. June-15- V. 26. Issue, 6.JP.

27. Armstrong J;S. Principles of forecasting: a handbook for researchers and practitioners. Kluwer Academic Publishers, New York, 2002.

28. Atiya A. et all, A comparison between neural-network forecasting techniques -case study: River flow forecasting // IEEE Transactions on Neural Networks. 1999. V. 10. P.402-409.

29. Bates J; M., Granger, C. W. J. The combination.of forecasts // OR. 1969. V. 20, Issue 4'. P.451-468.

30. Bontempi G. Local Learning Techniques for Modeling, Prediction-and Control. Ph.d., IRIDIA-Universit de Libre de Bruxelles, BELGIUM; 1999.

31. Bontempi G. Long term time series prediction with multi-input multi-output local learning // In Proceedings of the 2nd European. Symposium on Time Series-Prediction (TSP), ESTSP08. Helsinki, Finland, February 2008. P. 145-154.

32. Bontempi G., Taieb S. Conditionally dependent strategies for multiple-step-ahead prediction in local learning // International Journal of Forecasting. 2011. V. 27, Issue 3. P. 689-699.

33. Camp etf al. Karst aquifer investigation' using absolute: gravity // Eos» Transi P^Cti. 200 6. V: 87, Issue:30'; R 298

34. Chapellc O., Vapnikr V. Model selection for support vector machines. In Advances in Neural Information Processing Systems 12. MIT Press, 2000.

35. Cheng H. et al. Multistep-ahead time series prediction // Lecture Notes in Computer Science. 2006. V. 3918. P. 765-774.

36. Clemen R. Combining forecasts: A- review and' annotated bibliography // International Journal of Forecasting. 1989: V. 5, Issue 4. P. 559-583 .

37. Engle R. Autoregressive conditional heteroscedasticity with estimates of the variance ofUnitedKingdom//Econometrica. 1982. V. 50, Issue 4. P. 987-1007.

38. Fayyad U., Uthurusamy R., Data mining and knowledge discovery in databases. 1996. Comm. ACM. V. 39, Issue 11. P. 24-27.

39. Foukal P. V., Mack P. E., Vernazza J. E. The effect of sunspots and faculae on the solar constanthe // Astrophysical Journal. 1977. V. 215. P. 952.

40. Gallager R. G. Information Theory and Reliable Communication, John Wiley & Sons, New York, 1968.

41. Gooijer J., Hyndman R. 25 years of time series forecasting // International Journal of Forecasting. 2006. V. 22, Issue 3. P. 443-473.

42. Gooijer J., Kumar K. Some recent developments in non-linear time series modelling, testing, and forecasting // International Journal of Forecasting. 1992. V. 8, Issue 2. P. 135- 156.

43. Gruzin A., Ryabko B. Practical Application of Universal-Codes to Time Series Forecasting // In Proceedings of 2009 XII International Symposium on Problems, of Redundancy in Information and Control Systems. P. 10 15.

44. Hamzaebi C., Akay D., Kutay F. Comparison of direct and' iterative articial neural network forecast approaches in multi-periodic time series forecasting // Expert Systems with Applications. 2009. V. 36, Issue 2, Part 2. P. 3839- 3844.

45. Hand. D. Mining-the past to-determine the future: Problems and possibilities //' International Journal of Forecasting. 2009. V. 25, Issue 3. P. 441-451.

46. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference and prediction. Springer, 2 edition, 2009.

47. Hylleberg S. Modelling seasonality. Oxford University Press, Oxford, UK, 2 edition, 1992.

48. Kelly J.L. A new interpretation of information rate. // Bell System Tech. J. 1956. V. 35, P. 917-926.

49. Kline D. M. Methods for multi-step time series forecasting with neural networks // Neural Networks in Business Forecasting. 2004. P. 226-250.

50. Krichevsky R. A relation between the plausibility of information about a source andencoding redundancy // Problems Inform. Transmission. 1968. V. 4, Issue.3. P. 48-57.

51. Krichevsky R. Universal Compression and Retrival. Kluver Academic Publishers, 1993.

52. Lapedes A., Farber R. Nonlinear signal processing using neural networks: prediction and system modelling. Technical Report LA-UR-87-2662, Los Alamos National Laboratory, Los Alamos, NM, 1987.

53. Lendasse A. ESTSP 2007: Proceedings, 2007.

54. Lendasse A. ESTSP 2008: Proceedings, 2008.

55. Makridakis S., Wheelwright S., Hyndman R. Forecasting: Methods and Applications. John Wiley & Sons, 1998.

56. Mitchell T. Machine Learning. McGraw-Hill, New York, 1997.

57. Nelson M. et al. Time series forecasting using neural networks: should the data be deseasonalized first? // Journal of Forecasting. 1999. V. 18, Issue 5. P. 359367.

58. Nevill-Manning, C.G., Witten, I.H. Identifying Hierarchical Structure in Sequences: A linear-time algorithm //Journal of Artificial Intelligence Research.1997. Y. 7. P. 67-82.i s

59. Nevill-Manning, C.G., Witten, I.H., Paynter, G.W. Lexically-Generatedi Subject Hierarchies for Browsing Large Collections// International Journal ofi

60. Digital Libraries. 1999. V. 2, Issue 3. P: 111-123.i

61. Palit A. K., Popovic D. Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications (Advances in Industrial Control). Springer

62. Verlag New York, Inc., Secaucus, NJ, USA, 2005.

63. Poskitt D.S., Tremayne A.R. The selection and use of linear and bilinear time s series models // International Journal of Forecasting. 1986. V 2, Issue 1. P. 101114

64. Price S. Mining the past to determine the future: Comments // International Journal of Forecasting. 2009. V. 25, Issue 3. P.452-455.

65. Rissanen J. Universal coding, information, prediction, and estimation // IEEE Transactions on Information Theory. 1984. V. 30, Issue 4. P. 629-636.

66. Ryabko В. Compression-based methods for nonparametric on-line prediction, regression, classification and density estimation of time series.

67. Festschrift in Honor of Jorma Rissanen on the Occasion of his 75th Birthday, Tampere, 2008, P. 271 288.

68. Ryabko B. Compression-Based Methods for Nonparametric Prediction and Estimation of Some Characteristics of Time Series // IEEE Transactions on Information Theory. 2009. V. 55, № 9. P. 4309-4315.

69. Ryabko B. Applications of Universal Source Coding to Statistical Analysis of Time Series. In: Isaac Woungang et al. (Eds.), Selected Topics inTnformation and Coding Theory, World Scientific Publishing, 2010. P. 289 338.

70. Ryabko B. Ya. The complexity and effectiveness of prediction algorithms // J. Complexity. 1994; V. 10, Issue. 3. P. 281-295.

71. Ryabko В., Astola J. Universal Codes as a Basis,-for Time Series Testing // Statistical Methodology. 2006. V. 3, № 4, P. 375-397.

72. Ryabko В., Monarev V. Using Information Theory Approach to Randomness Testing // Journal of Statistical Planning and Inference. 2005. V. 133, № l.P. 95110.

73. Ryabkoi В., Monarev V. Experimental Investigation of Forecasting Methods Based on Data Compression Algorithms // Problems of Information Transmission. 2005. V.41, Issue. 1. P. 65-69.

74. Sorjamaa A. et al. Methodology for long-term prediction of time series // Neurocomputing. 2007. V. 70, Issue 16-18. P. 2861-2869.

75. Sorjamaa A., Lendasse A. Time series prediction using dirrec strategy // In M. Verleysen, editor, ESANN06, European Symposium on Artificial Neural Networks. Bruges, Belgium, April 26-28 2006. P. 143-148.

76. Souhaib B. et al. Long-term prediction of time series by combining direct and mimo strategies // International Joint Conference on Neural Networks, 2009.

77. Sven Crone. NN3 Forecasting Competition. Электронный ресурс. — Режим доступа: http://www.neural-forecasting-competition.com/NN3/index.htm, свободный.

78. Sven F. Mining the past to determine the future: Comments // International Journal of Forecasting. 2009. V. 25, Issue 3. P.456-460.

79. Taieb S. et al. A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition. Электронный ресурс. ' Режим доступа: http://arxiv.Org/PScache/arxiv/pdf/1108/l 108.3259vl.pdf, свободный. 2011.

80. Tiao G., Tsay R. Some advances in non-linear andi adaptive modelling in time-series // Journal of Forecasting. 1994. V. 13, Issue 2. P. 109-131.

81. Timmermann A. Forecast combinations. In G. Elliott, C. Granger, and A. Timmermann, editors, Handbook of Economic Forecasting. P. 135-196. Elsevier Pub., 2006

82. Tong H. Non-linear Time Series: A Dynamical System Approach. Oxford University Press, 1990.

83. Tong H. Threshold models in Nonlinear Time Series Analysis. Springer Verlag, Berlin, 1983.

84. Tong H., Lim K. S. Threshold autoregression, limit cycles and cyclical data //. Journal of the Royal Statistical. Series В (Methodological). 1980. V.42, Issue 3. P. 245-292.

85. Usoskin I. Millennium-Scale Sunspot Number Reconstruction: Evidence for an Unusually Active Sun since the 1940s // Phys. Rev. Lett. . 2003. V. 21. P.211101-211104.

86. Weigend A. S., Gershenfeld N. A. Time series prediction: Forecasting the future and understanding the past, 1994

87. Weigend A. S., Huberman B. A., Rumelhart D. E. Predicting sunspots and exchange rates with connectionist 48networks. In M. Casdagli and S. Eubank, editors, Nonlinear modeling and forecasting. P. 395-432. Addison-Wesley, 1992

88. Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. PhD thesis, Harvard University, Cambridge, MA, 1974.

89. Werbos P. Generalization of backpropagation with application to a recurrent gas market model // Neural Networks. 1988. V. 1, Isuue 4. P.339- 356.

90. Willson et al. Observations of Solar Irradiance Variability // Science. 1981. V. 211, Issue 4483. P. 700-702.

91. Yapici T. Influences of interplanetary magnetic field on the variability of the aerospace media. Электронный ресурс. Режим доступа: http://www.ae.metu.edu.tr/~tyapici/, свободный

92. Zhang G. P., Qi M. Neural network forecasting for seasonal and trend time series // European Journal of Operational Research. 2005. V. 160, Issue 2. P.501-514.

93. Zhang G., Patuwo В. E., Michael Y. H. Forecasting with articial neural networks:: The state of the art // International Journal of Forecasting. 1998. V. 14, Issue 1. P. 35-62.

94. Работы автора, в которых изложены основные результаты диссертации

95. Статьи и доклады на конференциях, зарегистрированные программы

96. Приставка П. А. Экспериментальное исследование метода прогнозирования, основанного на универсальных кодах // Вестник СибГУТИ. 2010. № 4. С. 26-35.

97. Приставка П. А. Применение теоретико-информационных методов прогнозирования к анализу экономических и геофизических данных //

98. Вестник СибГУТИ. 2011. № 2. С. 35-41.

99. Приставка П. А. Использование универсальных кодов для прогнозирования временных рядов // XLIX Международная научная студенческая конференция "Студент и научно-технический прогресс", Информационные технологии. Новосибирск, 16-20 апреля, 2011. С. 244.

100. Приставка П. А. Применение архиваторов для обнаружения скрытых структур данных во временных рядах // Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций». Новосибирск, 21-22 апреля, 2011. С. 40-41.

101. Ryabko В., Pristavka P. Experimental investigation of forecasting methods based on universal measures // The 31st Annual International Symposium on Forecasting, Prague, Czech Republic, June 26 June 29, 2011. P. 116.

102. Ryabko В., Pristavka P. Practical application of forecasting method based on universal measure // Applied Methods of Statistical Analysis. Simulations and Statistical Inference. Novosibirsk, Russia, 20 -22 September, 2011. P. 269.