В настоящее время большую популярность для конкретных задач прогнозирования приобретает так называемый метод группового учета аргументов (МГУА), представляющий собой дальнейшее развитие метода регрессионного анализа. Он основан на некоторых принципах теории обучения и самоорганизации, в частности на принципе «селекции», или направленного отбора [52,51].

Метод реализует задачи синтеза оптимальных моделей высокой сложности, адекватной сложности исследуемого объекта (здесь под моделями понимается система регрессионных уравнений). Так, алгоритмы МГУА, построенные по схеме массовой селекции, осуществляют перебор возможных функциональных описаний объекта.

При этом полное описание объекта [51]

Рассматриваются различные сочетания входных и промежуточных переменных, и для каждого сочетания строится модель, причем при построении рядов селекции используются самые регулярные переменные. Понятие регулярности является одним из основных в

методе МГУА. Регулярность определяется минимумом среднеквадратической ошибки переменных на отдельной проверочной последовательности данных (исходный ряд делится на обучающую и проверочную последовательности). В некоторых случаях в качестве показателя регулярности используется коэффициент корреляции. Ряды строятся до тех пор, пока регулярность повышается, т. е. снижается ошибка или увеличивается коэффициент корреляции. Таким образом, из всей совокупности моделей выбирается такая, которая является оптимальной с точки зрения выбранного критерия.

Рассмотрим некоторые алгоритмы МГУА [51].

В алгоритмах с линейными полиномами в качестве частных описаний используются соотношения вида

Алгоритм синтезирует модели с последовательно увеличивающимся числом учитываемых аргументов. Так, модели первого селекционного ряда включают по два аргумента, модели второго ряд– три-четыре и т. д.

Алгоритмы с ковариациями и квадратичными описаниями оперируют с частными описаниями вида

 

 

 

 

 

 

 

 

 

 

---

         

---

Метод группового учета аргументов