Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: Научного журнала «Студенческий» № 18(188)

Рубрика журнала: Информационные технологии

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4, скачать журнал часть 5, скачать журнал часть 6, скачать журнал часть 7, скачать журнал часть 8, скачать журнал часть 9, скачать журнал часть 10

Библиографическое описание:
Ертаев Н.К. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЗАБОЛЕВАНИЙ С УЧЕТОМ СЕЗОННОСТИ // Студенческий: электрон. научн. журн. 2022. № 18(188). URL: https://sibac.info/journal/student/188/252561 (дата обращения: 28.03.2024).

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЗАБОЛЕВАНИЙ С УЧЕТОМ СЕЗОННОСТИ

Ертаев Нурхан Кайратович

студент, Московский авиационный институт (национальный исследовательский университет),

РФ, г. Москва

Шестопалова Ольга Львовна

научный руководитель,

канд. техн. наук, доц., Филиал «Восход», Московский авиационный институт (национальный исследовательский университет),

РФ, г. Байконур

В данной работе проводится сравнительный анализ двух методов прогнозирования заболеваний с учетом сезонности:

- Метод линейной аппроксимации с сезонностью [1];

- Метод Хольта-Винтерса [2];

В качестве экспериментальных данных в обоих методах используются данные по заболеваниям гриппом и ОРВИ в пределах города Байконур.

Для реализации метода прогнозирования в работе [1, 3] используется математическая модель:

                                                                      (1)

Коэффициенты  и  в работе [1] принимают значение -32,538, 1173,3 соответственно. Данная модель относится к уравнению линейной регрессии, который показывает виляние внешнего фактора x на процесс y.

Используя полученные значения, на основе уравнения (1) вычисляются прогнозные значения с учетом сезонных колебаний:

                                                                      (2)

где:

 - это фактические значения;

 - это среднее значение фактических показателей.

Полученные значения представлены в таблице 1.

Таблица 1.

Фактические и прогнозные данные по методу линейной аппроксимации

Месяц

Количество зарегистрированных случаев за 2019 год

Количество (прогнозные значения)

Январь

866

1140

Февраль

1888

1108

Март

1350

1075

Апрель

866

1043

Май

906

1010

Июнь

517

978

Июль

627

945

Август

565

913

Сентябрь

915

880

Октябрь

1071

847

Ноябрь

924

815

Декабрь

1047

782

 

Исходя из полученных значений точность прогноза в работе [1] составляет 87 %.

В работе выполнена программная реализация метода прогнозирования на основе метода Хольта-Винтерса на языке python с использованием Application Programming Interface (API) — «программный интерфейс приложения») – ExponentialSmothing.

В качестве входных данных используются данные в файле формата csv, который содержит количество заболеваний по гриппу и ОРВИ.

Метод Хольта-Винтерса относится к методам прогнозирования временных рядов и является методом прогнозирования с тремя параметрами:

  1. Сглаженный экспоненциальный ряд.
  2. Тренд.
  3. Сезонность.

Метод Хольта-Винтерса также относится и к методам экспоненциального сглаживания, а именно метод тройного экспоненциального сглаживания. Основой таких моделей является постоянный пересмотр прогнозных значений и их изменение по мере поступления фактических данных. Суть метода заключается в том, что последние полученные данные в результате наблюдения имеют большее влияние на получаемые прогнозные значения, по сравнению с более ранними данными [4].

Математическая интерпретация метода Хольта-Винтерса имеет следующий вид:

                                                     (3)

где:

R(t) – сглаженный уровень без учета сезонности;

G(t) – сглаженный тренд;

S(t) – сезонная составляющая.

В таблице 2 представлены фактические и прогнозные данные по методу Хольта-Винтерса.

Таблица 2.

Фактические и прогнозные данные по методу Хольта-Винтерса

Месяц

Количество зарегистрированных случаев за 2019 год

Количество (прогнозные значения)

Январь

866

912

Февраль

1888

1849

Март

1350

1416

Апрель

866

903

Май

906

924

Июнь

517

541

Июль

627

647

Август

565

583

Сентябрь

915

944

Октябрь

1071

1107

Ноябрь

924

974

Декабрь

1047

1104

 

В таблице 3 приведен сравнительный анализ рассмотренных методов прогнозирования

Таблица 3.

Достоинства и недостатки методов

Метод прогнозирования

Достоинства

Недостатки

Линейный регрессионный метод

Простота вычислений

Трудоемкий процесс определения факторов, от которых зависит прогнозируемый процесс, моделирование только линейных процессов.

Метод Хольта-Винтерса

Возможность получения прогнозных значений в долгосрочной перспективе.

Отсутствие необходимости определения факторов, влияющих на прогнозируемый процесс.

Метод не предназначен для прогнозирования волатильных данных.

 

Точность прогноза методом Хольта-Винтерса составляет 95%. Что указывает на высокую степень истинности получаемых прогнозов. Кроме того, данный метод позволяет строить прогноз с учетом сезонности на будущие периоды.

Для увеличения точности прогноза необходимо использовать большие объемы данных за длительные промежутки времени и благодаря этому получить прогноз в долгосрочной перспективе.

 

Список литературы:

  1. Ертаев Н.К. Прогнозирование динамики заболеваний с учетом сезонных колебаний // Студенческий. электрон. научн. журн. 2021. № 18(146). - URL: https://sibac.info/journal/student/146/212928 (дата обращения: 21.02.2022).
  2. Прогноз по методу экспоненциального сглаживания с трендом и сезонностью Хольта-Винтерса [Электронный ресурс]. – URL: http://4analytics.ru/prognozirovanie/prognoz-po-metodueksponencialnogo -sglajivaniya-s-trendom-i-sezonnostyu-xoltavintersa (дата обращения 20.10.2016).
  3. Ертаев Н.К., Шестопалова О.Л. Обоснование выбора модели и метода прогнозирования заболеваний // Вопросы технических и физико-математических наук в свете современных исследований: сб. ст. по матер. XXXIV междунар. науч.-практ. конф. № 12 (27). – Новосибирск: СибАК, 2020. – С. 28-32.
  4. Тархов Д.А. Нейронные сети как средство математического моделирования // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2006. С. 1-49.

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.