|
|
|
|
|
где α – константа сглаживания (0 ≤ α ≤ 1), используемая для полу- чения оценок вектора вероятностей. Возможны два варианта. В первом случае пределы классов зада- ны так, что pk может быть или очень большим (около 1), или очень малым (около 0). Тогда дисперсия компонент вектора вероятностей будет небольшой. Если форма распределения меняется со временем, большое значение константы сглаживания может быть использова- но, чтобы устранить влияние «старой» информации. Во втором случае распределение вероятностей постоянно во вре- мени, нет необходимости «взвешивать» старую информацию. Малое значение константы сглаживания, может быть, позволит уменьшить дисперсию оценок. Тогда можно использовать меньшие интервалы классов с не очень большими вероятностями. Автоматизированные системы прогнозирования требуют посто- янного добавления новых значений информации. Некоторые систе- мы могут просто накапливать информацию, затем использовать ее для прогноза. Если мы имеем дело с поступающей информацией, то система может практически бездействовать в течение значительного промежутка времени. Если информация достаточно важна, следует рассматривать ее как непрерывный во времени поток наблюдений или предсказывать распределение поступлений наблюдений. Оче- видно, для таких прогнозов следует использовать модель, изложен- ную выше. Если в какой-то период нет никаких наблюдений, можно перестроить систему на другой вид информации. Кроме того, оцен- ки коэффициентов (или других параметров) в модели прогноза не изменяются, если наблюдения равны нулю; соответственно и про- гноз будет тем же [54, 72]. Вероятностная модель оперирует последовательностью наблю- дений с учетом их распределения и игнорирует последовательность этой информации уже непосредственно во времени. Поэтому вектор вероятностей ( ) t p r , который служит текущей оценкой вероятностей отдельных событий, является оценкой этих вероятностей в будущем. Последовательность наблюдений может быть представлена как вре- менной ряд х(t), где х измерен по некоторой шкале n x ≤ x ≤ x 0 а x0 и хn есть минимум и максимум возможных значений наблюдений. |
Метод вероятностного моделирования 2 |
