실시간 예측 시스템 테스트

Denis Timoshin 2009.11.24 15:11 #761

mpeugep писал(а) >>

이전에 나는 그에게 조언자를 썼습니다. 글쎄, 나는 그에게 익숙해졌습니다 ..

예측 방법의 효율성을 확인하고 싶으십니까?

Дима 2009.11.24 15:20 #762

예 - 테스트를 통해 내가하는 일입니다 ..

Сергей 2009.11.24 22:17 #763

예보의 둘째 날이 다가오고 있습니다. 기본 "끌어당김"(즉, 200개의 궤적이 다음 "평균" 궤적을 형성함)을 상기시켜 드리겠습니다.

테스트를 거친 식별 블록은 "이상적인 궤적" 대신 토요일에 다음을 선택했으며, 이는 동등합니다(모든 것이 선택의 의미에서 그렇게 어렵지는 않으며 일반적으로 첫 번째 판독값을 기다립니다...).

추적을 중단했습니다.

추신: 예, 좋습니다. MT에 "스케일링 표시기"라는 또 다른 기능을 구현했습니다. 어, 제대로 작동하는지 완전히 확신할 수 없습니다.

 double getScaleParametr ( double signal [ ] )
{
   int i ;
   int n ;
   int m ;
   
   double h ;

   // +------------------------------------------------------+
   // |                       Интегрирование временного ряда |
   // +------------------------------------------------------+
   
   int N ;
   int Nsignal ;
   
   double delta [ ] ;
   
   Nsignal = ArraySize ( signal ) ;
   N = Nsignal - 1 ;
   
   ArrayResize ( delta , N ) ;
   ArrayInitialize ( delta , 0.0 ) ;
   
   i = 0 ;
   
   for ( n = 0 ; n < = Nsignal - 1 ; n + + )
   {
       if ( n > 0 )
       {
         delta [ i ] = MathAbs ( signal [ n ] - signal [ n - 1 ] ) ;
         i = i + 1 ;
       }
   }
   
   // +------------------------------------------------------+
   // |                       Расчет накопленного отклонения |
   // +------------------------------------------------------+
   
   double Mu ;
   double SUM ;
   double accumulateDeviation [ ] ;

   ArrayResize ( accumulateDeviation , N ) ;
   ArrayInitialize ( accumulateDeviation , 0.0 ) ;
   
   Mu = getMu ( delta ) ;
   SUM = 0.0 ;
   
   for ( n = 0 ; n < = N - 1 ; n + + )
   {
      SUM = SUM + ( delta [ n ] - Mu ) ;
      accumulateDeviation [ n ] = SUM ;
   }
   
   // +------------------------------------------------------+
   // |                          Итерационный расчет матрицы |
   // +------------------------------------------------------+   
   
   int window ;
   int s ;
   int k ;
   int M ;
   int zone ;
   
   double a ;
   double b ;
   
   double x [ ] ;
   double y [ ] ;
   
   double T [ ] ;
   double F [ ] ;
   
   double trend [ ] ;
   double regress [ ] ;
   
   zone = 5 ;

   ArrayResize ( T , N - zone ) ;
   ArrayInitialize ( T , 0.0 ) ;    

   ArrayResize ( F , N - zone ) ;
   ArrayInitialize ( F , 0.0 ) ;    
   
   i = 0 ;
   
   for ( window = zone ; window < = N ; window + + )
   {
      s = MathFloor ( N / window ) ;

       ArrayResize ( trend , s * window ) ;       
       ArrayInitialize ( trend , 0.0 ) ;
      
       for ( n = 0 ; n < = s - 1 ; n + + )
       {
         ArrayResize ( x , window ) ;
         ArrayInitialize ( x , 0.0 ) ;

         ArrayResize ( y , window ) ;
         ArrayInitialize ( y , 0.0 ) ;
         
         for ( m = 0 ; m < = window - 1 ; m + + )
         {
            x [ m ] = m ;
            y [ m ] = accumulateDeviation [ m + n * window ] ;
         }

         ArrayResize ( regress , 2 ) ;
         ArrayInitialize ( regress , 0.0 ) ;
         
         getLineRegression ( regress , x , y ) ;
         
         a = regress [ 0 ] ;
         b = regress [ 1 ] ;

         for ( m = 0 ; m < = window - 1 ; m + + )
         {
            trend [ m + n * window ] = a + b * x [ m ] ;
         }
       }

      SUM = 0.0 ;
      
      M = ArraySize ( trend ) ;
      
       for ( k = 0 ; k < = M - 1 ; k + + )
       {
         SUM = SUM + MathPow ( ( accumulateDeviation [ k ] - trend [ k ] ) , 2 ) ;
       }
      
      T [ i ] = MathLog ( window ) ;
      F [ i ] = MathLog ( MathSqrt ( ( 1.0 / M ) * SUM ) ) ;

      i = i + 1 ;
   }

   ArrayResize ( regress , 2 ) ;
   ArrayInitialize ( regress , 0.0 ) ;
   
   getLineRegression ( regress , T , F ) ;
   h = regress [ 1 ] ;
   
   return ( h ) ;
}