t - Repozytorium UMK
Transkrypt
t - Repozytorium UMK
a c ta u n i v e r s i tat i s n i c o l a i c o p e r n i c i zarządzanie XXXIX – zeszyt 407 – toruń 2012 Uniwersytet Mikołaja Kopernika Katedra Logistyki Joanna Bruzda Prognozowanie metodą wyrównywania falkowego* Z a r y s t r e ś c i. W artykule dyskutuje się metody wyznaczania prognoz falkowych na podstawie szeregów jednowymiarowych oraz proponuje nowe rozwiązanie w tym zakresie, oparte na nieparametrycznej estymacji losowego sygnału metodą wyrównywania falkowego. Podejście to jest falkowym odpowiednikiem metody wyrównywania wykładniczego, będąc jednak rozwiązaniem znacznie bardziej uniwersalnym przy niewiele większej złożoności obliczeniowej. Badanie empiryczne wykonane na podstawie 17 szeregów czasowych z bazy M3-IJF-Competition dostarcza bardzo obiecujących wyników, które potwierdzają przydatność proponowanego rozwiązania. S ł o w a k l u c z o w e: prognozy falkowe, nieparametryczna estymacja sygnałów, przeskalowywanie falkowe. Wstęp Analiza czasowo-skalowa (falkowa) jest rodzajem analizy częstotliwościowej pozwalającym efektywnie badać zmienne w czasie charakterystyki spektralnej procesów. Chociaż nie jest ona techniką prognostyczną per se, jej cechy wyróżniające, takie jak dekompozycja procesów według pasm częstości, do * Praca finansowana z grantu MNiSW nr N N111 285135. 78 Joanna Bruzda bre własności lokalizacyjne w czasie, efektywność obliczeniowa i względna prostota metodyczna nasuwają przypuszczenie, że może być ona użyteczna w prognozowaniu ekonomicznych szeregów czasowych, szczególnie szeregów charakteryzujących się niestacjonarnością, przejawiających krótkookresowe oscylacje o zmiennej amplitudzie, dla których ogniwa poprzedzające w łańcuchach przyczynowych zależą od skali czasu (horyzontu decyzyjnego). Z teoretycznego punktu widzenia falki powinny – z jednej strony – umożliwiać dokładniejszą analizę przez specyfikacje osobnych zależności według pasm częstości, a następnie konstruowanie prognoz oryginalnych szeregów w postaci agregatów prognoz wyznaczonych dla poszczególnych komponentów procesów (skal czasu), z drugiej zaś – upraszczać analizę przez przekształcenie szeregu do postaci, dla której może być łatwiej dobrać odpowiedni predyktor. W tym drugim przypadku zakłada się, że dekompozycja falkowa upraszcza strukturę procesów, czyniąc je łatwiejszymi w prognozowaniu (por. Kaboudan, 2005). Należy jednak pamiętać o możliwych wadach takiego podejścia, wiążących się z większa ilością parametrów podlegających estymacji i arbitralnością wyboru falki czy poziomu dekompozycji. Celem artykułu jest zaprezentowanie metod konstrukcji prognoz falkowych ograniczonych do przypadku prognoz konstruowanych na podstawie szeregów jednowymiarowych, ocena użyteczności predyktorów falkowych z punktu widzenia m.in. zastosowań logistycznych oraz propozycja nowego rozwiązania w zakresie sposobu wykorzystania falek w prognozowaniu. Proponowana metoda opiera się na nieparametrycznej estymacji losowego sygnału z wykorzystaniem falkowej redukcji szumu, który to sygnał jest następnie prognozowany z użyciem liniowych bądź nieliniowych modeli typu autoregresyjnego. W dotychczasowych pracach falkowe metody redukcji szumu jako podstawę prognozowania zawężano jedynie do tzw. falkowej eliminacji progowej (ang. wavelet thresholding) – patrz Alrumaih, Al-Fawzan (2002), Ferbar, Čreslovnik, Mojškerc, Rajgelj (2009), Schlüter, Deuschle (2010). W artykule argumentuje się, że progowanie falkowe ma zastosowanie jedynie w przypadku sygnałów deterministycznych, proponowane zaś tutaj wyrównywanie falkowe zakłada implicite, że badany sygnał ma charakter losowy i – wobec tego – jedynie przeskalowuje się spektrum badanego procesu, zwłaszcza w zakresie częstości wysokich, a nie redukuje jego wartość do zera. Proponowaną metodę prognozowania weryfikuje się w oparciu o 17 szeregów czasowych z bazy M3-IJF-Competition (patrz np. Makridakis, Hibon, 2000), wskazując na jej przewagę nad klasycznym wyrównywaniem wykładniczym, błądzeniem przypadkowym czy liniowymi modelami autoregresji. Prognozowanie metodą wyrównywania falkowego 79 1. Dyskretna analiza falkowa Analiza falkowa polega na dekompozycji szeregu na składowe będące przesuniętymi i przeskalowanymi wersjami pewnej funkcji ѱ(x) zwanej falką podstawową, wycałkowującej się do zera i mającej jednostkową energię. Dekompozycja ta może mieć różny charakter w zależności od rodzaju zastosowanej transformaty falkowej. W przypadku tzw. analizy dyskretnej (DWT – ang. Discrete Wavelet Transform), która pojawia się najczęściej w zastosowaniach prognostycznych, efektem transformacji są współczynniki falkowe zdefiniowane dla oktaw częstości, co skutkuje oszczędną reprezentacją danych. Ponadto rozważanie wyłącznie oktaw częstości może być uzasadnionePrognozowanie w przypadku analizy sygnałów procesów ekonomicznych, dla których – jak ii estymacja metodą wyrównywania falkowego 3 Prognozowanie estymacja sygnałów metodą wyrównywania falkowego się wydaje sięsygnałów przedziałami częstości, a falkowego – posługiwanie nie pojedynczymi33 Prognozowanie i estymacja metodą wyrównywania Prognozowanie i estymacja sygnałów metodą wyrównywania częstościami nie powinno wiązać się z nadmierną utratą falkowego informacji, co na-3 zać się z nadmierną utratą informacji, co będzie miało miejsce w szczególności zać się z nadmierną utratą informacji, co będzie miało miejsce w szczególności szczególności stąpi w szczególności w przypadku procesów, których dynamika zależy od zać się z nadmierną utratą informacji, co będzie miało miejsce w w przypadku procesów, których dynamika zależy od diadycznej skali czasu. w przypadku procesów, których dynamika zależy od diadycznej skali czasu. diadycznej skali czasu. zaćprzypadku się z nadmierną utratą informacji, co będzie miejsce wskali szczególności w procesów, których dynamika zależymiało od diadycznej czasu. definiuje się dyskretną transformatę falkową (dyskretnego) sygnału (x )) definiuje Dyskretną transformatę falkową (dyskretnego) sygnałuff f(x) w przypadku procesów, których dynamika zależy od diadycznej skali czasu. się definiuje się dyskretną transformatę falkową (dyskretnego) sygnału (x się dyskretną transformatę falkową (dyskretnego) sygnału f (x) definiuje następująco: następująco: następująco: dyskretną transformatę falkową (dyskretnego) sygnału f (x) definiuje się następująco: następująco: f ( x) W dx (1) jj ,, tt W jj ,, tt (((xxx))) dx dx ,,, (1)(1) W j , t ff ((xx)) (1) j, t W j , t f ( x) j , t ( x) dxJ , j J–j (1) 2, , ..., J2 j gdzie j =1 1,,, t= 0,,, 1,,, 2 ..., –1, funkcje zaś ѱjj,,t t(((x) wersjami falki xx)) są gdzie ,, zaś funkcje są wersjami falki 0 ,,1 1 jj ,, 2 JJ ,, J,tt J j gdzie zaś funkcje są wersjami falki 0 1 2 1 1 2 , j ,t ( x) są wersjami falki gdzie 1 , zaś funkcje j 1, 2, ,przesuniętymi J , t 0,1,, 2i przeskalowanymi j , t podstawowej, na skali diadycznej, tj.: J j podstawowej, przesuniętymi i przeskalowanymi na skali diadycznej, tj.: j ,diadycznej, gdzie falki , 2 1 , zaś funkcje j 1, 2, , J , t 0,1, podstawowej, przesuniętymi przeskalowanymi na skali skali tj.: t ( x) są wersjami podstawowej, przesuniętymi ii przeskalowanymi na diadycznej, tj.: j/2 j podstawowej, przesuniętymi i na skali diadycznej, tj.: (2) 2 j / 2 t . (2)(2) jj ,,tt (((xxx))) 222 jj xxx przeskalowanymi 22 j / 2 tt .. (2) j ,t 2 j j ,t ( x) 2 j /jest 2zwykle x t definiowana . (2) Falka podstawowa podstawowa jest zwykle za pomocą pomocą tzw. tzw. funkcji funkcji skalującej, skalującej, Falka definiowana za Falka podstawowa jest zwykle definiowana za pomocą tzw. funkcji skaluFalka podstawowa jest zwykle definiowana za pomocą tzw. funkcji skalującej, odpowiednio przeskalowanej i przesuniętej funkcji skalującej z (x ) . Splot Splot odpowiednio przeskalowanej przesuniętej funkcji skalującej (x Falka zwykle definiowana pomocą tzw. funkcji skalującej, jącej, ϕ(x).odpowiednio Splot jest odpowiednio przeskalowanej i przesuniętej funkcji skalują-zz Splot przeskalowanej iizaprzesuniętej funkcji skalującej (x )) .. podstawowa sygnałem dostarcza tzw. współczynników skalujących postaci: sygnałem dostarcza tzw. współczynników współczynników skalujących postaci: Splot odpowiednio przeskalowanej i przesuniętej funkcji skalującej z (xcej ) . z sygnałem dostarcza tzw. współczynników skalujących postaci: sygnałem dostarcza tzw. skalujących postaci: sygnałem dostarcza tzw. współczynników skalujących postaci: V dx (3) V jj ,, tt fff (((xxx))) jj ,, tt (((xxx))) dx dx (3)(3) V (3) j, t j, t V j, t f ( x) j , t ( x) dx (3) Te dwa rodzaje tworzą dekompozycję wyjściowej funkcji współczynników Te dwa dwa rodzaje współczynników tworzą dekompozycję wyjściowej funkcji Te rodzaje dwa rodzaje współczynników tworzą dekompozycję wyjściowejfunkcji funkTe współczynników tworzą dekompozycję wyjściowej postaci: postaci: Tecjidwa rodzaje współczynników tworzą dekompozycję wyjściowej funkcji postaci: postaci: postaci:ff (( xx)) V JJ ,, tt (( xx)) JJ ,, tt (( xx)) 11,, tt (( xx)) VJJ ,, tt W WJJ ,, tt W W11,, tt f ( x) t V J , t J , t ( x) t WJ , t J , t ( x) t W1, t 1, t ( x) (4) t t t (4) f ( x) t VJ , t J , t ( x) t WJ , t J , t ( x) t W1, t 1, t ( x) (4) S ( x ) D ( x ) D ( x ) D ( x ). J J J 1 1 DJ ((xx)) D D t J 1 ( x) D1 ( x). t (4) (4) SStJJ ((xx)) D J J 1 ( x) D1 ( x). S ( x ) D ( x ) D ( x ) D ( x ). D (x (x znane są wartości lub aproksymaFunckje Jand 1 jako 1 wygładzone D jj (x (xJ))) znane S jj (x (x))) and and D znane Jsą są jako wartości wartości wygładzone lub lub aproksymaaproksymaFunckje SS jako wygładzone Funckje j j cje (ang. smooths) i detale (ang. details). aproksymacje z najwyższego pozioznane details). są jako wartości wygładzone lub aproksymaFunckje cje (ang. (ang. Ssmooths) smooths) detale aproksymacje najwyższego pozioj (x) andi D j (x) (ang. cje i detale (ang. details). aproksymacje zz najwyższego pozioS (x ) mu, , reprezentują komponent niskoczęstotliwościowy procesu, podczas J (xsmooths) mu,(ang. reprezentują komponent niskoczęstotliwościowy procesu, podczas podczas cje i detalekomponent (ang. details). aproksymacje z najwyższego pozioSSJJ (x )) ,, reprezentują mu, niskoczęstotliwościowy procesu, D ( x ) D ( x ) D (x ) gdy detale , , …, są związane z oscylacjami o okresach S (x ) mu, , reprezentują komponent niskoczęstotliwościowy procesu, podczas gdy detale D1 (x) , D2 (x) , …, DJ (x) są związane z oscylacjami o okresach zz 80 Joanna Bruzda Funckje SJ (x) and DJ (x) znane są jako wartości wygładzone lub aproksymacje (ang. smooths) i detale (ang. details). Aproksymacje z najwyższego poziomu, SJ (x), reprezentują komponent niskoczęstotliwościowy procesu, podczas gdy detale D1 (x), D2 (x) , …, DJ (x) są związane z oscylacjami o okresach z przedziałów 2–4, 4–8, …, 2J–2J+1. Dekompozycja postaci (4) określana jest jako analiza wielorozdzielcza (ang. multiresolution analysis). Rozważmy wektor długości N = 2 J 0 postaci x = (x0, x1, ..., xN–1)′. Wówczas możliwa jest maksymalnie J0-poziomowa dekompozycja szeregu, przy czym liczby (konwencjonalnych) współczynników falkowych i skalujących z każdego poziomu są następujące: N 2 , N 4 , , 1. Natomiast tzw. maksymalnie nachodząca (ang. maximal overlap) dyskretna transformata falkowa (MODWT), zwana również transformatą niezdziesiątkowaną lub ciągło-dysJoannawspółczynników Bruzda obu typów (odpowied4 kretną, dostarcza takiej samej liczby Joanna Bruzda 4 ~ ~ i ) na każdym poziomie dekompozycji ze względu na brak operacji nio W V j ,t j ,t Joanna Bruzda 4 Joanna Bruzda 4 podpróbkowania (decymacji),które przy czym ta wynosi N. Współczynniki czynniki te po przeskalowaniu, służy liczba zachowaniu energii, dane są nastęczynniki te po przeskalowaniu, którezachowaniu służy zachowaniu energii, dane są nastęte po przeskalowaniu, które służy energii, dane są następująco: pująco: czynniki pująco: te po przeskalowaniu, które służy zachowaniu energii, dane są nastęczynniki te po przeskalowaniu, które służy zachowaniu energii, dane są nastęL j 1 Joanna pująco: 4 , (5)(5) , Bruzda t 0, ,2 JJ jj 1, L j 1 h j , l x j j, t [ 2 ( 1 ) 1 ] mod t l N 0 l pująco:W (5) W j , t lLj 01 h j , l x[ 2 j (t 1) 1l ] mod N , t 0, ,2 1 , J j , (5) Wjj/,2t , t 0 , , 2 1 L j 1 hLjj,l 1x j ~ J j l L0j 1h x[ 2 ( t 1) 1l ] mod N , J, j 1 , 1 , (5)(5) W t 0 , 2 j x 2 jW h , t 0 , , N (6) L 1 ~ , j/,2t W j l j , h x , t 0 , , 2 1 [ 2 ( 1 ) 1 ] mod t l N j , t j , l ( t l ) mod N l 0 l j0,l ,t [ 2 j (tx 1)1l ] mod N, l 0 2 j / 2 jW h t 0 , , N 1 , (6) , (6) j , t j , l ( t l ) mod N ~ lLj 01 LLj 11h j , l x( t l ) mod N , 2 j / 2jW t 0 , , N 1 ~ , (6) L j 1 J j ~ j , t /2 2 W j01 , , t t 0, ,0 ,N (6)(6) (7) V gllj,00lj xh ,, N hjj, l xx(t l ) mod ,21J, 1j, 1 , j , tj ,ltL l ] mod NN,N ,t t0 l 0x[ 2 jj ,(lt 1(t)l1)mod , (7) V jj2,,tt W g 0 , , 2 1 , j l 1 L [ 2 ( t 1) 1l ] mod N l 0 (7)(7) V j ,/t2 ~ lLjjL0j 11gL jj ,l1x[ 2 j (t 1) 1l ] mod N , t 0, J,2 jJJ jj 1, (7) V g x , g x ,,2N,2 1 ,1, 1 , j 2 jV,/t2j V g , ,, t tt 00,,0 (8)(7) ,t~j , t mod l]]mod )lmod NNN 1()t11l l l00 lLjj 0,j,ll1 [[22jj, (ltx 2 j / 2 V~j , t lLj 01 g j , l x(t l ) mod N , t 0, , N 1 , (8) ~ L 1 L 1 2 V g x , t 0 , , N 1 ~ , (8) j / 2 jj j ,it {g j , l x ( t l ) mod N, tfiltrami }V odpowiednimi j-tego dekompozycji gdzie {2hj2/j ,l2 V 0 g ,l }l lsą ,N 1, 1poziomu t00, , ,N (8)(8) ,, (8) 00 g jj,,ll ((ttll))mod modNN , filtrami {g jj } są odpowiednimi j-tego poziomu dekompozycji gdzie {h j ,l } j ,itj ,t l ,l j } i (i{2gj{j są odpowiednimi gdzie )( 1odpowiednimi ) 1 (patrz filtrami długości Percival, Walden, 2000,dekompozycji Rozdział 4). {jj h,l,lL g,l,l }}1 }L filtramij-tego j-tegopoziomu poziomu dekompozycji gdzie{{h są odpowiednimi filtrami j-tego poziomu dekompozycji gdzie L}jjj,l}}i i {g ({2g j 1j ,l)( Lsą 1) 1 (patrzfiltrami długości Percival, Walden, 2000,dekompozycji Rozdział 4). gdzieh{h } są odpowiednimi j – tego poziomu j, l j j, l j 1 j j L ( 2 1 )( L 1 ) 1 długości (patrz Percival, Walden, 2000, Rozdział 4).4). {hdługości } jest filtrem pasmowym z pasmem przenoszenia , na1 / 2 f 1 / 2 j ,l j2000, 12000, (patrz Percival, Walden, L 1) 1) 1z pasmem 1(patrz (patrzPercival, Percival,Walden, Walden, L jjLj (2(j2pasmowym 1)(1L)( długości Rozdział 4). {hdługości przenoszenia 1 / 2 2000, f Rozdział 4). Rozdział 1 / 2 j , naj ,l } jest filtrem j j 1 j +1 j } jest filtrem pasmowym z pasmem przenoszenia , { g } tomiast jest filtrem dolnoprzepustowym z częstotliwością odcięcia 1 / 2 ≤ f ≤ 1 / 2 {h{{h } j 1 j jest filtrem pasmowym z pasmem przenoszenia , na1 / 2 f 1 / 2 j ,l 1 j2 , najh ,l j, l} jest filtrem pasmowym z pasmem przenoszenia 1 / j2 f 1 / { g } tomiast jest filtrem dolnoprzepustowym z częstotliwością odcięcia {hnatomiast } jest filtrem pasmowym z pasmem przenoszenia , naj ,l 1 / 2 f 1 / 2 j ,l j ,l {g } jest filtrem dolnoprzepustowym z częstotliwością odcięcia l tomiast 1 /tomiast 2 j 1 .j +1{g j ,l } j, jest jestfiltrem filtremdolnoprzepustowym dolnoprzepustowymzz zczęstotliwością częstotliwościąodcięcia odcięcia tomiast filtrem dolnoprzepustowym częstotliwością odcięcia 1 / 12/j 21 . {. g{jg,l }j ,l }jest j 1 Współczynniki falkowe i skalujące nie tworzą jeszcze wielorozdzielczej j.1 Współczynniki falkowe i skalujące nie tworzą tworzą jeszcze 1 /12/Współczynniki 2 falkowe icelu skalujące nie jeszcze wielorozdzielczej wielorozdzielczej 1 / dekompozycji 2 j21 . . przeprowadzenia analizy wielorozdzielczej dekompozycji procesu 2. 1.W procesu W celu przeprowadzenia analizy wielorozdzielczej Współczynniki falkowe i skalujące nie tworzą jeszcze . W celu przeprowadzenia analizy wielorozdzielczej dekompozycji procesu Współczynniki falkowe i skalujące tworzą jeszcze wielorozdzielczej stosuje sięsię odpowiednie przekształcenie falkowe, które prowadzi bezWspółczynniki falkowe icelu skalujące nienietworzą jeszcze wielorozdzielczej 2 odwrotne stosuje odpowiednie przekształcenie falkowe, które prowadzi 2Wodwrotne przeprowadzenia analizy wielorozdzielczej dekompozycji procesu stosuje się do odpowiednie przekształcenie falkowe, które prowadzi bez2.odwrotne . W celu przeprowadzenia analizy wielorozdzielczej dekompozycji procesu pośrednio addytywnej dekompozycji szeregu czasowego. Dekompozycja ta W celu przekształcenie przeprowadzenia analizyktóre wielorozdzielczej dekompozycji procesu .odwrotne stosuje się odpowiednie falkowe, prowadzi bezpośrednio do addytywnej dekompozycji szeregu czasowego. Dekompozycja ta stosuje się odpowiednie odwrotne przekształcenie falkowe, które prowadzi bezmoże być wykonana zodwrotne użyciemprzekształcenie zarówno konwencjonalnej jak i ciągłostosuje się do odpowiednie falkowe, które prowadzi bezpośrednio addytywnej dekompozycji szeregu czasowego. Dekompozycja ta ta może być wykonana z użyciem zarówno konwencjonalnej jak i ciągłopośrednio doaddytywnej addytywnej dekompozycji szeregu czasowego. Dekompozycja dyskretnej transformaty, dostarczając za każdym razem składowych o długości pośrednio do dekompozycji szeregu czasowego. ta 1być Wyjątkiem jest popularna w prognozowaniu falka Haara, którejDekompozycja współczynniki falmoże wykonana z użyciem zarówno konwencjonalnej jak i ciągłodyskretnej transformaty, dostarczając za każdym konwencjonalnej razem składowych osię długości może być wykonanadekompozycję zużyciem użyciemzarówno zarówno jak iciągłoidentycznej z addytywną oryginalnym sygnałem. Problemem praktycznym, jaki tuciągłopokowebyć tworzą wyjściowego sygnału. może wykonana z konwencjonalnej jak i dyskretnej transformaty, dostarczając razem składowych identycznej ztransformaty, oryginalnym sygnałem. za Problemem praktycznym, jaki osię tuoraz podyskretnej dostarczając zakażdym każdym razem składowych odługości długości jawia, są zniekształcenia współczynników falkowych bądź skalujących dyskretnej transformaty, dostarczając za każdym razem składowych o długości identycznej z oryginalnym sygnałem. Problemem praktycznym, jaki się tu jawia, są zniekształcenia współczynników falkowych bądź skalujących oraz identycznej z oryginalnym sygnałem. Problemem praktycznym, jakisię siętu tupopodetali i aproksymacji na krańcach próby. Powoduje to konieczność usuwania identycznej z oryginalnym sygnałem. Problemem praktycznym, jaki pojawia, są zniekształcenia współczynników falkowych bądź skalujących oraz detali i aproksymacji na krańcach próby. Powoduje to konieczność usuwania jawia, są zniekształcenia współczynników falkowych bądź skalujących oraz odpowiednich współczynników brzegowych i jest szczególnie istotne w przyjawia, sąaproksymacji zniekształcenia współczynników falkowychto bądź skalujących oraz detali nanakrańcach próby. konieczność odpowiednich współczynników brzegowych i jest szczególnie istotneusuwania wusuwania przydetaliiisygnałów i aproksymacji krańcach próby.Powoduje Powoduje konieczność padku niestacjonarnych. detali aproksymacji na krańcach próby. Powoduje totokonieczność usuwania 81 Prognozowanie metodą wyrównywania falkowego bezpośrednio do addytywnej dekompozycji szeregu czasowego. Dekompozycja ta może być wykonana z użyciem zarówno konwencjonalnej, jak i ciągło-dyskretnej transformaty, dostarczając za każdym razem składowych o długości identycznej z oryginalnym sygnałem. Problemem praktycznym, jaki się tu pojawia, są zniekształcenia współczynników falkowych bądź skalujących oraz detali i aproksymacji na krańcach próby. Powoduje to konieczność usuwania odpowiednich współczynników brzegowych i jest szczególnie istotne w przypadku sygnałów niestacjonarnych. W części trzeciej niniejszej pracy, gdzie prezentowane są metody konstrukcji predyktorów falkowych, zwraca się w szczególności uwagę na to, jakie elementy analizy falkowej stanowią podstawę budowy prognoz: podpróbkowane bądź maksymalnie nachodzące współczynniki falkowe i skalujące czy też odpowiednie detale i wartości wygładzone. 2. Metody konstrukcji prognoz falkowych Wśród metod konstrukcji prognoz falkowych z wykorzystaniem jednowymiaPrognozowanie i estymacja sygnałów metodą wyrównywania falkowego 5 rowych szeregów czasowych Schlüter i Deuschle (2010) wyróżniają cztery następujące: redukcja reprezentacji redukcja – redukcja reprezentacjiczasowo-częstotliwościowej czasowo-częstotliwościowej(falkowa (falkowa redukcja szumu, ang. wavelet denoising) z wykorzystaniem techniki eliminacji proszumu, ang. wavelet denoising) z wykorzystaniem techniki eliminacji gowejprogowej miękkiejmiękkiej lub twardej; lub twardej; Falkowe modele strukturalne szeregów czasowych; modele strukturalne szeregów czasowych; – falkowe – prognozowanie dziedzinie w falkowej (prognozowanie współczynni Prognozowanie w dziedzinie falkowej (prognozowanie współczynników ków falkowych); falkowych); – prognozowanie z wykorzystaniem lokalnie stacjonarnych modelifalkofal Prognozowanie z wykorzystaniem lokalnie stacjonarnych modeli kowych. wych. W pierwszym z tych podejść bazuje się na obserwacji, że białoszumowy W pierwszym z tych podejść bazuje się na obserwacji, że białoszumowy składskładnik losowy w reprezentacji postaci ‘sygnał + szum’ w jednakowym stopnik losowy w reprezentacji postaci ‘sygnał + szum’ w jednakowym stopniu niu zniekształca współczynniki falkowe różnych poziomów dekompozycji. zniekształca współczynniki falkowe różnych poziomów dekompozycji. Dlatego dla poziomów wszystkichproponuje poziomówsięproponuje redukcję współczynników dlaDlatego wszystkich redukcję się współczynników co do wartoco do wartości bezwzględnej mniejszych od wybranej wielkości ści bezwzględnej mniejszych od wybranej wielkości progowej. Takprogowej. zmodyfiTak zmodyfikowane współczynniki następnie do dziedziny kowane współczynniki transformuje siętransformuje następnie dosię dziedziny czasu uzyskując czasu, uzyskując sygnał wyjściowy. Przekształcone współprzekształcony sygnałprzekształcony wyjściowy. Przekształcone współczynniki otrzymuje się czynniki otrzymuje się, stosując eliminację progową miękką lub twardą, przy stosując eliminację progową miękką lub twardą, przy czym ta pierwsza dana ta pierwsza dana jest następująco: jestczym następująco: W' j , t W j , t 1 W zaś druga: j ,t ,, W' j , t sig(W j , t ) W j , t 1 W j ,t , (9a) (9a) (9b) ści bezwzględnej mniejszych od wybranej wielkości progowej. Tak zmodyfikowane współczynniki transformuje się następnie do dziedziny czasu uzyskując przekształcony sygnał wyjściowy. Przekształcone współczynniki otrzymuje się stosując eliminację progową miękką lub twardą, przy czym ta pierwsza dana jest następująco: Joanna Bruzda 82 W' j , t W j , t 1 W , (9a) druga: zaśzaś druga: j ,t W' j , t sig(W j , t ) W j , t 1 W j ,t ,, (9b) (9b) gdzie λ jestprzyjętą przyjętąwartością wartościąprogową. progową.Wartość Wartość progu progu dyskryminacji może jest może gdzie byćbyć wyznaczana na podstawie charakterystyk całego szeregu (eliminacja prowyznaczana na podstawie charakterystyk całego szeregu (eliminacja 2 zastosowagowa globalna) lub adaptacyjnie (patrz augustyniak, 2003)3,2003) lecz w , lecz w zaprogowa globalna) lub adaptacyjnie (patrz Augustyniak, niach prognostycznych spotyka się, jak dotąd, jedynie to jedynie pierwszeto podejście, stosowaniach prognostycznych spotyka się, jak dotąd, pierwsze realizowane najczęściej w oparciu o tzw. próg uniwersalny i implementowane podejście, realizowane najczęściej w oparciu o tzw. próg uniwersalny i implena mentowane bazie konwencjonalnej dWT. na bazie konwencjonalnej DWT. W badaniu prezentowanym w pracy Schlüterai i Deuschle (2010)okazało okazaW badaniu prezentowanym w pracy Schlütera Deuschle (2010) że falkowa eliminacja progowa poprawia krótkookresowe prognozy się,łożesię, falkowa eliminacja progowa poprawia krótkookresowe prognozy generowane z modeliz modeli arMa ARMA i ariMa. Wniosek ten otrzymano na podstawie anagenerowane i ARIMA. Wniosek ten otrzymano na podstalizywie cenanalizy ropy i kursów Podobne otrzymali cen ropywalut. i kursów walut.wnioski Podobne wnioskialrumaih, otrzymalial-Fawzan Alrumaih, (2002), analizując notowania artykułem artykułem jest praca (2002), analizującgiełdowe. notowaniaInteresującym giełdowe. Interesującym Al-Fawzan Ferbara i in. (2009), w której proponuje się zastosowanie metody eliminacji jest praca Ferbara i in. (2009), w której proponuje się zastosowanie metoprogowej do prognozowania w łańcuchu dostaw. Wedle moje wiedzy, dy eliminacji progowej do popytu prognozowania popytu w łańcuchu dostaw. Wejestdle to moje pierwsza propozycja aplikacjipropozycja prognoz falkowych optymalizacji koszwiedzy jest to pierwsza aplikacji do prognoz falkowych do tówoptymalizacji w ramach łańcucha dostaw. Z analizy symulacyjnej prezentowanej w cytokosztów w ramach łańcucha dostaw. Z analizy symulacyjnej wanym opracowaniu wynika, że prognozy falkowe mają że przewagę nadfalkowe wygłaprezentowanej w cytowanym opracowaniu wynika, prognozy mają przewagę nad wygładzaniem wykładniczym, które zostało potraktowane 3 jako metoda benchmarkowa. Na temat różnych metod ustalania wartości progu dyskryminacji patrz np. Percival, Walden falkowych na podstawie szeregów Druga metoda (2000), Rozdział X, Nason wyznaczania (2008), Rozdziałprognoz III. jednowymiarowych polega na zastosowaniu analizy wielorozdzielczej w celu dekompozycji szeregu, a następnie osobnym modelowaniu i prognozowaniu składowych procesu. Ostateczna prognoza jest sumą prognoz poszczególnych składników. Podejście to zaproponowano w pracy Arino (1995), a stosowane było ono także m.in. przez Wonga i in. (2003) i Fernandez (2008), przy czym Arino i Fernandez rozważają osobne modelowanie dwu składowych procesów, a Wong i in. dekomponują szeregi na trzy części. Na przykład w pracy Arino analizowano miesięczną sprzedaż samochodów w Hiszpanii, przyjmując składnik trendowy postaci Y = S 7 + D7 + D6 + D5 oraz składnik zawierający wahania sezonowe i komponent przypadkowy w postaci Z = D1 + D2 + D3 + D4. Dla każdego z tak zdefiniowanych szeregów dopasowano następnie odpowiedni model (S)ARIMA. 2Na temat różnych metod ustalania wartości progu dyskryminacji patrz np. Percival, Walden (2000), Rozdział X, Nason (2008), Rozdział III. Prognozowanie metodą wyrównywania falkowego 83 Trzecie podejście do prognozowania jest stosowane m.in. w pracach Chena i in. (2004), Conejo i in. (2005), Renaud i in. (2002) oraz Minu i in. (2010). Na przykład w pierwszej ze wspomnianych prac opracowano oryginalną metodę prognostyczną WAW (skrót od ang. wavelet-armax-winters), w myśl której stosuje się transformatę MODWT w celu zdefiniowania komponentów trendu, sezonowości i wysokiej częstotliwości, a następnie prognozuje osobno te składniki z wykorzystaniem metod takich jak wyrównywanie wykładnicze, modele harmoniczne i modele ARMA(X). Ostateczna prognoza powstaje po zastosowaniu odwrotnego przekształcenia falkowego. Natomiast Renaud i in. (2002) wprowadzają modele MAR (ang. Multiscale Autoregression), definiowane z wykorzystaniem współczynników konwencjonalnej DWT, przeprowadzanej z użyciem falki Haara, Minu i in. (2010) zaś przekształcają ten model do postaci nieliniowej z zastosowaniem sieci neuronowych. W każdym z przypadków zakłada się implicite, że współczynniki falkowe można opisać z wykorzystaniem prostszych modeli niż dane oryginalne. Czwarta z metod prognozowania falkowego, opracowana przez Fryźlewicza i in. (2003), bazuje na pojęciu lokalnie stacjonarnych procesów falkowych (patrz Nason, 2008, i znajdujące się tam odwołania do literatury). W metodzie tej stosuje się predyktor typu autoregresyjnego o parametrach zmieniających się w czasie, wyznaczanych przez falkowy odpowiednik równań Yule’ a–Walkera. Podstawą metody jest niezdziesiątkowana (maksymalnie nachodząca) dyskretna transformata falkowa, a wykorzystanie tej metody w praktyce wymaga estymacji ewolucyjnego spektrum falkowego metodą skorygowanego periodogramu falkowego. Porównanie jakości różnych metod prognozowania falkowego na podstawie jednowymiarowych rzeczywistych szeregów czasowych prezentowane w pracy Schlütera i Deuschle (2010) wskazuje na przewagę pierwszego i trzeciego podejścia, które są w stanie wygenerować prognozy lepsze od tych uzyskanych metodami klasycznymi. 3. Prognozowanie z wykorzystaniem Wyrównywania falkowego Jak wspominano we wprowadzeniu, metoda prognozowania oparta na eliminacji progowej zakłada, że prognozowany proces jest sumą deterministycznego sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich częstotliwości w szeregu, tj. w praktyce współczynniki falkowe z niższych poziomów dekompozycji (w szczególności z pierwszego poziomu) traktuje się Prognozowanie estymacja sygnałów metodą wyrównywania falkowego Prognozowanie i estymacja sygnałów metodą wyrównywania falkowego Prognozowanie estymacja sygnałów metodą wyrównywania falkowego Prognozowanie estymacja sygnałów metodą wyrównywania falkowego Prognozowanie iiiiestymacja sygnałów metodą wyrównywania falkowego 7 7777 dejścia, które są w stanie wygenerować prognozy lepsze od tych uzyskanych 3. ProGnoZoWanie Z WYKorZYSTanieM metodami klasycznymi. dejścia, które wygenerować prognozy lepsze uzyskanych dejścia, są w stanie wygenerować prognozy lepsze od tych uzyskanych dejścia, które są w stanie wygenerować prognozy lepsze od tych uzyskanych dejścia, które są są w stanie wygenerować prognozy lepsze odod tych uzyskanych dejścia, które sąw wstanie stanie wygenerować prognozy lepsze odtych tych uzyskanych WYRÓWNYWANIA FaLKoWeGo dejścia,które które są w stanie wygenerować prognozy lepsze od tych uzyskanych dejścia, które są w stanie wygenerować prognozy lepsze od tych uzyskanych metodami klasycznymi. metodami klasycznymi. metodami klasycznymi. metodami klasycznymi. metodami klasycznymi. metodami klasycznymi. metodami Jak wspominano we wprowadzeniu,Zmetoda prognozowania oparta na eli3.klasycznymi. ProGnoZoWanie WYKorZYSTanieM minacji progowej zakłada, że prognozowany proces jest sumą deterministyczWYRÓWNYWANIA FaLKoWeGo JZoanna Bruzda 84 3. ZZZ WYKorZYSTanieM 3. ProGnoZoWanie WYKorZYSTanieM 3. ProGnoZoWanie ZZZ WYKorZYSTanieM ProGnoZoWanie WYKorZYSTanieM 3.ProGnoZoWanie ProGnoZoWanie WYKorZYSTanieM 3. ProGnoZoWanie WYKorZYSTanieM 3. ProGnoZoWanie WYKorZYSTanieM nego sygnału 3. i losowego szumu. Takie założenie skutkuje eliminacją wysokich WYRÓWNYWANIA FaLKoWeGo WYRÓWNYWANIA FaLKoWeGo Jak wspominano we wprowadzeniu, metoda prognozowania oparta napoeliWYRÓWNYWANIA FaLKoWeGo WYRÓWNYWANIA FaLKoWeGo WYRÓWNYWANIA FaLKoWeGo WYRÓWNYWANIA FaLKoWeGo częstotliwości w szeregu, tj. w praktyce współczynniki falkowe z niższych WYRÓWNYWANIA FaLKoWeGo minacji progowej zakłada, że prognozowany proces jest sumą deterministyczziomów dekompozycji (w szczególności z pierwszego poziomu) traktuje się jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie założeJak wprowadzeniu, metoda prognozowania oparta na Jak wspominano we wprowadzeniu, metoda prognozowania oparta na eliJak wspominano we wprowadzeniu, metoda prognozowania oparta na eliJak wspominano wewe wprowadzeniu, metoda prognozowania oparta nasię eliJakwspominano wspominano we wprowadzeniu, metoda prognozowania oparta naelieliJak wspominano we wprowadzeniu, metoda prognozowania oparta na eliJak wspominano we wprowadzeniu, metoda prognozowania oparta na elinego sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie minacji progowej zakłada, że prognozowany proces jest sumą deterministyczminacji progowej zakłada, że prognozowany proces jest sumą deterministyczminacji progowej zakłada, że prognozowany proces jest sumą deterministycznie o losowym charakterze sygnału. Założenie o losowości sygnałów jest minacji progowej zakłada, że prognozowany proces jest sumą deterministyczminacji progowej zakłada, że prognozowany proces jest sumą deterministyczminacji progowej zakłada, że prognozowany proces jest sumą deterministyczminacji progowej zakłada, prognozowany procesfalkowe jest sumą deterministyczczęstotliwości wi szeregu, tj.szumu. wże praktyce współczynniki z niższych po- podonego losowym charakterze sygnału. Założenie ozałożenie losowości sygnałów jest podstawą nego sygnału losowego Takie skutkuje eliminacją wysokich nego sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich nego sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich nego sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich nego sygnału i losowego szumu. Takie założenie skutkuje eliminacją wysokich stawą konstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli nego sygnału i losowego szumu. Takie skutkuje eliminacją wysokich ziomów dekompozycji (w szczególności zzałożenie pierwszego poziomu) siępokonstrukcji tzw.wstrukturalnych modeli szeregów czasowych czy modeli wyczęstotliwości w szeregu, tj. w praktyce współczynniki falkowe zztraktuje niższych częstotliwości w szeregu, tj. w praktyce współczynniki falkowe niższych poczęstotliwości w szeregu, tj. w praktyce współczynniki falkowe z niższych poczęstotliwości szeregu, tj. w praktyce współczynniki falkowe z niższych poczęstotliwości w szeregu, tj. w praktyce współczynniki falkowe z niższych poczęstotliwości w szeregu, tj. w praktyce współczynniki falkowe z niższych poczęstotliwości w szeregu, tj. w praktyce współczynniki falkowe z niższych powyrównywania wykładniczego i wydaje się bardziej adekwatne w opisie projako szum. dekompozycji Podejście takie(w jednak niewłaściwe, jeśli przyjmie sięprocesów założenie równywania wykładniczego ijest wydaje się bardziej adekwatne w opisie ziomów szczególności zzzzzzpierwszego poziomu) traktuje się ziomów dekompozycji (w szczególności pierwszego poziomu) traktuje się ziomów dekompozycji (w szczególności pierwszego poziomu) traktuje się ziomów dekompozycji (w szczególności z pierwszego poziomu) traktuje się ziomów dekompozycji (w szczególności pierwszego poziomu) traktuje się ziomów dekompozycji (w szczególności pierwszego poziomu) traktuje się ziomów dekompozycji (w szczególności pierwszego poziomu) traktuje się o losowym charakterze sygnału. Założenie o losowości sygnałów jest podstawą cesów ekonomicznych, dla których zwykle lepsze efekty w modelowaniu daje ekonomicznych, dla których zwykle lepsze efekty w jeśli modelowaniu daje przyjjako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie jako szum. Podejście takie jest jednak niewłaściwe, przyjmie się założenie jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie jako szum. Podejście takie jest jednak niewłaściwe, jeśli przyjmie się założenie konstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli wyprzyjmowanie paradygmatu losowości i których kształt spektrum odbiega mowanie paradygmatu losowości i których kształt spektrum odbiega od spekooooolosowym charakterze sygnału. Założenie ooooolosowości sygnałów podstawą charakterze sygnału. Założenie sygnałów jest podstawą losowym charakterze sygnału. Założenie losowości sygnałów jest podstawą orównywania losowym charakterze sygnału. Założenie o losowości sygnałów jestjest podstawą olosowym losowym charakterze sygnału. Założenie olosowości losowości sygnałów jest podstawą od losowym charakterze sygnału. Założenie losowości sygnałów jest podstawą losowym charakterze sygnału. Założenie losowości sygnałów jest podstawą wykładniczego i wydaje się bardziej adekwatne w opisie procesów trów w reprezentacjach ‘funkcja deterministyczna + biały szum’. spektrów w reprezentacjach ‘funkcja deterministyczna + biały szum’. konstrukcji tzw. strukturalnych modeli szeregów czasowych modeli wykonstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli wykonstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli wykonstrukcji tzw. strukturalnych modeli szeregów czasowych czyczy modeli wykonstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli wykonstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli wykonstrukcji tzw. strukturalnych modeli szeregów czasowych czy modeli wyekonomicznych, dla których zwykle lepsze efekty w modelowaniu daje przyjrównywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów równywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów Załóżmy, że interesujący nas proces jest generowany według modelu: Załóżmy, że interesujący nas proces jest generowany według modelu: równywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów równywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów równywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów równywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów równywania wykładniczego i wydaje się bardziej adekwatne w opisie procesów mowanie paradygmatu losowości i których kształt spektrum odbiega od spekekonomicznych, dla zwykle lepsze efekty w daje przyjekonomicznych, których zwykle lepsze efekty w modelowaniu daje przyjekonomicznych, dla których zwykle lepsze efekty w modelowaniu daje przyjekonomicznych, których zwykle lepsze efekty w modelowaniu daje przyjekonomicznych, dlaktórych których zwykle lepsze efekty wmodelowaniu modelowaniu daje przyjekonomicznych, dla których zwykle lepsze efekty w modelowaniu daje przyjekonomicznych, dla których zwykle lepsze efekty w modelowaniu daje przyjYt reprezentacjach X t t dladla (10) trów w ‘funkcja deterministyczna + biały szum’. mowanie paradygmatu losowości i których kształt spektrum odbiega od mowanie paradygmatu losowości i których kształt spektrum odbiega od spekmowanie paradygmatu losowości iiiktórych których kształt spektrum odbiega od spekmowanie paradygmatu losowości i których kształt spektrum odbiega od spekmowanie paradygmatu losowości których kształt spektrum odbiega odspekspekmowanie paradygmatu losowości których kształt spektrum odbiega od spek= X + η , (10) Y mowanie paradygmatu losowości i kształt spektrum odbiega od spekt t że interesujący t Załóżmy, nasdeterministyczna proces jest generowany według modelu: trów reprezentacjach ‘funkcja deterministyczna +dla biały szum’. trów w reprezentacjach ‘funkcja deterministyczna ++ biały szum’. wt w jest białym szumem nieskorelowanym z X+t biały wszystkich opóźnień i gdzie trów w reprezentacjach ‘funkcja deterministyczna +++ biały szum’. trów reprezentacjach ‘funkcja szum’. trów w reprezentacjach ‘funkcja deterministyczna biały szum’. trów w reprezentacjach ‘funkcja deterministyczna biały szum’. trów w reprezentacjach ‘funkcja deterministyczna biały szum’. YZałóżmy, XChcąc że interesujący (10) Załóżmy, interesujący nas proces jest generowany według modelu: Załóżmy, że interesujący nas proces jest generowany według modelu: X t jest wyprzedzeń. oszacować sygnał , rozwiązujemy następujący problem: Załóżmy, że interesujący nas proces jest generowany według modelu: Załóżmy, nas proces generowany według modelu: interesujący nas proces jest generowany według modelu: Załóżmy, że interesujący nas proces jest generowany według modelu: tZałóżmy, t że tże że interesujący nas proces jest generowany według modelu: gdzie ηt jest białym szumem nieskorelowanym z Xt dla wszystkich opóźnień XX (10) YY (10) Y X2t (10) X (10) i wyprzedzeń. Chcąc oszacować sygnał X (10) Yt Yjest nieskorelowanym z t,Xrozwiązujemy opóźnień i progdzie (10) tY t tY tszumem tbiałym (10) t dla wszystkichnastępujący tttt tttt ˆXXtXttttt E X X min , (11) blem: X t , rozwiązujemy wyprzedzeń. Chcąc oszacować sygnał następujący problem: białym szumem nieskorelowanym wszystkich opóźnień gdzie jest białym szumem nieskorelowanym dla wszystkich opóźnień gdzie XXtXt dla jest białym szumem nieskorelowanym dla wszystkich opóźnień gdzie t jest białym szumem nieskorelowanym z zXzzzzXXdla wszystkich opóźnień i iiiii gdzie jest białym szumem nieskorelowanym dla wszystkich opóźnień gdzie jest białym szumem nieskorelowanym dla wszystkich opóźnień gdzie t t ttjest gdzie t t jest białym szumem nieskorelowanym zt X ttt t dla wszystkich opóźnień i 2Chcąc wyprzedzeń. Chcąc oszacować sygnał następujący problem: wyprzedzeń. Chcąc oszacować sygnał następujący problem: gdzie X i X̂ są wektorami (wierszowymi) T odpowiednio – problem: wartości Xdługości wyprzedzeń. Chcąc oszacować sygnał następujący problem: X t X,XX wyprzedzeń. Chcąc oszacować sygnał rozwiązujemy następujący wyprzedzeń. oszacować sygnał ,rozwiązujemy rozwiązujemy następujący problem: X wyprzedzeń. Chcąc oszacować sygnał ,rozwiązujemy rozwiązujemy następujący problem: tX t,tt,t,,rozwiązujemy wyprzedzeń. oszacować sygnał t rozwiązujemy następujący problem: (11) , X ocen. Xˆ Chcąc min , sygnału E i jego Z222własności przekształcenia falkowego otrzymujemy: (11) 2 22 ˆX ˆX ˆ 2 ˆ ˆ XX min (11) EE min (11) 2 (11) ˆˆX X min (11) E EX XX min J min , ,,,,,, 2 (11) EEX XXX min (11) 2X min (11) ~ X ~ˆ XT 2odpowiednio ~ X ~ˆ–X wartości gdzie X i E są wektorami długości X̂ X (wierszowymi) X ˆ ˆ E X X E W W E W W E V V , wartości T odpowiednio – gdzie X i są wektorami (wierszowymi) j j j długości j sygnału i jego ocen.wektorami Z własności przekształcenia falkowego otrzymujemy: 1 jprzekształcenia gdzie iii jego (wierszowymi) długości TTfalkowego ––––––wartości gdzie są wektorami (wierszowymi) długości odpowiednio wartości gdzie XXX są wektorami (wierszowymi) długości TTTodpowiednio odpowiednio wartości X̂X̂X̂są gdzie XX iXX wektorami (wierszowymi) długości T odpowiednio – wartości X̂ gdzie są wektorami (wierszowymi) długości odpowiednio wartości sygnału ocen. Z własności otrzymujemy: gdzie są wektorami (wierszowymi) długości odpowiednio wartości gdzie iiiiX̂X̂są są wektorami (wierszowymi) długości T odpowiednio wartości X̂ 2 2 J 2 2 (12) sygnału i jego ocen. Z własności przekształcenia falkowego otrzymujemy: sygnału i jego ocen. Z własności przekształcenia falkowego otrzymujemy: sygnału iiijego jego ocen. Z własności przekształcenia falkowego otrzymujemy: sygnału i jego ocen. Z własności przekształcenia falkowego otrzymujemy: ~ ~ ~ ~ sygnału jego ocen. Z własności przekształcenia falkowego otrzymujemy: sygnału jego ocen. Z własności przekształcenia falkowego otrzymujemy: ˆ ˆ X X X X X X sygnału i ocen. Z własności przekształcenia falkowego otrzymujemy: EX X XˆX E W Wˆ JE W j W j 22E V j V j , 22 J JJ 222 2 22wektorami 222 2X 222222jJ1T JJwspółczynników ~~ ~ˆ~ ~~ ~ˆ~ długości DWT gdzie W i Ŵ ˆ 2ˆsą ~~~ ~ˆˆ~ˆ~ ~~X~XXXX~ ~ˆˆ~ˆX2~ˆXXX,XX 22,22 (12) X X XXXXX~ XˆXXXX 2 klasycznej ~W ~V 2 X ˆW XXXˆ XˆˆˆˆˆX XXX X~ Xˆ~ X X~ Xˆ~ Xˆ V ˆX ˆX ˆˆ E X XW X E EX X XXX EEE W W E E EE XX W W E W W E V V ˆ ˆ E X X E W W E W W E V V E X W W E W V V E X E W W E W W E V E X E W W E W W E V V j j j j j j ~ X ~W ~ˆ X 1 Ej W jjjj j W jjjj Ej V jjjj j VjVj jjj,j ,,,,, ~X W (12) 1 sygnału i jego oceny, W j , V j , Ŵ jX , Vjj1 j jsą jjjj1111odpowiednimi wektorami długoX X (12) (12) (12) (12) (12) (12) W i Ŵ są MODWT, wektoramizaś długości T współczynników DWT gdzie ści T(12) współczynników J jest przyjętym poziomemklasycznej dekompozycji. XXX XXanalizowane ~ ~ ~ ~ ˆ X X X X X X X X X X X Dalej zakłada się, że współczynniki falkowe mają średnią 0, co jest ii są wektorami TTT współczynników klasycznej DWT gdzie W ioceny, są wektorami długości współczynników klasycznej DWT gdzie W Ŵ są wektorami długości TTT współczynników klasycznej DWT gdzie W Ŵdługości WiW sygnału jego , V j , długości , V j T są odpowiednimi wektorami długowektorami współczynników klasycznej DWT gdzie Wi XŴ ŴsąXsą iŴ są wektorami długości współczynników klasycznej DWT gdzie W Ŵ są wektorami długości współczynników klasycznej DWT gdzie gdzie wektorami współczynników klasycznej DWT W Ŵ iiiŴ są długości współczynników klasycznej DWT gdzie j wektorami jdługości równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych ~ ~ ~ ~ ~ ~ ~ ~ ˆ ˆ ~ ~ ~ ~ X X X X ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ X X X X ˆ ˆ ˆ ˆ XXX X J XXX XXX X ~ zaś XXX X przyjętym X~X ~ ~ ˆ ści T współczynników MODWT, jest poziomem dekompozycji. X X X V V W Ŵ sygnału i jego oceny, , , , są odpowiednimi wektorami długosygnału ii jego oceny, ,,,,VV ,,,,VV są wektorami długoW Ŵ sygnału jego oceny, są odpowiednimi wektorami długoW jW W Ŵ sygnału i jego oceny, ,j j V ,jVj Ŵ,,,,Ŵ ,j j Vdeterministycznych wektorami długosygnału ijego jego oceny, sąodpowiednimi odpowiednimi wektorami długomomentów dla eliminacji komponentów badanego szeregu. V sygnału oceny, VjVsą są odpowiednimi wektorami długoW Ŵ sygnału jego oceny, odpowiednimi wektorami długoj odpowiednimi W sygnału iiijego oceny, jjj j j, V jjj j ,j Ŵ jjj j j, V jjj j są odpowiednimi wektorami długoDalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, dekompozyco jest ponadto zakłada się także stacjonarność tych współczynników. ści T współczynników MODWT, zaś J jest przyjętym poziomem dekompozycji. ści T współczynników MODWT, J jest zaś przyjętym poziomem ści współczynników MODWT, zaś J jest przyjętym poziomem dekompozycji. ści TTTwspółczynników współczynników MODWT, zaś jest przyjętym poziomem dekompozycji. ści T współczynników MODWT, Jzaś jest przyjętym poziomem dekompozycji. ści współczynników MODWT, jestprzyjętym przyjętym poziomem dekompozycji. ści współczynników MODWT, zaś jest przyjętym poziomem dekompozycji. ści T zaś JJJJjest poziomem dekompozycji. równoważne założeniu, żeMODWT, filtry zaś falkowe mają wystarczającą liczbę zerowych Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, co jest Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, co jest Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, co jest cji. Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0,szeregu. co jest Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, co jest Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, co jest Dalej zakłada się, że analizowane współczynniki falkowe mają średnią 0, co jest momentów dla eliminacji komponentów deterministycznych badanego równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych co jest równoważne założeniu, że filtry falkowe mają wystarczającą liczbę równoważne założeniu, że filtry falkowe mają wystarczającą liczbę zerowych ponadto zakłada się także stacjonarność tychdeterministycznych współczynników. badanego szeregu. momentów dla eliminacji komponentów momentów dla eliminacji komponentów deterministycznych badanego szeregu. momentów dla eliminacji komponentów deterministycznych badanego szeregu. momentów dlamomentów eliminacji komponentów badanego szeregu. momentów dla eliminacji komponentów deterministycznych badanego szeregu. momentów dla eliminacji komponentów deterministycznych badanego szeregu. momentów dla eliminacji komponentów deterministycznych badanego szeregu. zerowych dla eliminacjideterministycznych komponentów deterministycznych badaponadto zakłada się także stacjonarność tych współczynników. ponadto zakłada się także stacjonarność tych współczynników. ponadto zakłada się także stacjonarność tych współczynników. ponadto zakłada się także stacjonarność tych współczynników. ponadto zakłada się także stacjonarność tych współczynników. ponadto zakłada się także stacjonarność tych współczynników. ponadto zakłada się takżezakłada stacjonarność tychstacjonarność współczynników. nego szeregu. Ponadto się także tych współczynników. W dalszej kolejności przyjmujemy estymator postaci3: 3 Propozycję taką wysuwają Percival i Walden (2000), s. 407, w odniesieniu do współczynników konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się na współczynnikach transformaty niezdziesiątkowanej z kilku powodów. Po pierwsze, dają one dokładniejsze estymatory wariancji falkowej wykorzystywane dalej w operacyjnej wersji proponowanego nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa na szeregach dowolnej długości (niekoniecznie 8 8 88 Joanna Bruzda Prognozowanie metodą wyrównywania falkowego 88 W8 dalszej ~ Joanna Bruzda Joanna Bruzda kolejności przyjmujemy estymator postaci:4 Joanna Bruzda Joanna Bruzda Joanna Bruzda Joanna Bruzda 85 ~ ˆ X kolejności Y WW dalszej przyjmujemy estymator postaci:4 44 adalszej (13) j W jW j Joanna Bruzda kolejności przyjmujemy estymator postaci: Joanna Bruzda 4 W dalszej kolejności przyjmujemy estymator przyjmujemy estymator postaci: (13) 4postaci: W dalszej kolejności 4 W dalszej kolejności przyjmujemy estymator postaci: ~ˆ ~Y W dalszej przyjmujemy estymator postaci: i rozwiązujemy zadanie: ~ˆ~jˆW ~ ~ W jX ~ˆW akolejności (13) XX j YY ~jW (13) X j~ aa YWj W (13) ~ WW dalszej kolejności przyjmujemy estymator postaci: postaci:44 j Wajkolejności j YYazadanie: (13) ~ˆˆ XX ~ iW rozwiązujemy dalszej estymator 2 jj przyjmujemy jW W (13) ~ˆjj X W jj ~X a jjW (13) i rozwiązujemy zadanie: (14) E W min , i~ˆirozwiązujemy zadanie: rozwiązujemy zadanie: X j W ~ YYj zadanie: X i rozwiązujemy W a W (13) 2 (13) ii rozwiązujemy zadanie: j j j j ~ j zadanie: j rozwiązujemy ~ 22 X ~ˆ~jXXX 2~ ~ˆpostaci: , ~ˆX2min , (14) (14) E W rozwiązanie ~W X j E ˆ ,, (14) W W min 2 X X iiotrzymując rozwiązujemy zadanie: (14) Ezadanie: W min ~ ~ rozwiązujemy ˆˆ jXXj WjWj j X W , E min ~ ~ X j (14) (14) EW Wj ~W WXj ~ 2Y min min ,, (14) E j E W jW 2 otrzymując rozwiązanie j t postaci: otrzymując postaci: ~ ~ˆj t XXrozwiązanie . (15) aotrzymując jXX rozwiązanie otrzymując rozwiązanie postaci: (14) E W jW ,,postaci: (14) jY ~2 min ~ otrzymując rozwiązanie postaci: ~ j j X Y postaci: otrzymując rozwiązanie otrzymując rozwiązanie EEWWj t jW XX ~~YY t ~j t ~~postaci: E X j.~ YWj t E2YW W ~ tj tW (15) (15) a j rozwiązanie jt X ~ E ~ ~W XW Yj t W otrzymując postaci: ~ jt . (15) a E W ~ Y ~ X ~ Y otrzymując rozwiązanie postaci: (15) a j j t j t 22. . E W W jjt ~ (15) a ~ E W Y j t . W W W Y oraz z nieskorelowania Następnie, korzystając z faktu, że .. 2 (15) a ~W j j j ~~XX Yj t~E YW (15) a jj Ej W E 2Y Y j t j t E 2W ~W ~ E ~ ~~ X ~~ EW Wjjtt jjYtt jjtt W~j..tzX faktu, (15) a jj wektorów elementów dostajemy: ~~z nieskorelowania (15) ~j YY ~W~j XX oraz W jYże~W Następnie, korzystając j i W j ,że ~ 22 Y ~W W W z nieskorelowania Następnie, korzystając z faktu, Y YW Xj Wj oraz W oraz z nieskorelowania Następnie, korzystając z faktu, że ~ ~ ~ j E W Y X j j j oraz z nieskorelowaNastępnie, korzystając że ~że ~ WW ~ W j oraz z nieskorelowania Następnie, z~z faktu, ~zX faktu, Y W jj tt W Następnie, korzystając 2 ~ ~korzystając ~faktu, W W Wj jjX Wj jj oraz oraz zz nieskorelowania nieskorelowania Następnie, korzystając żedostajemy: ,że X 2 Wz faktu, ~~ ~~jj , W elementów wektorów j XX j iE E W W ~ ~ i dostajemy: nia elementów wektorów ~ ~ W W elementów wektorów i , dostajemy: X jt wektorów i W,j dostajemy: , dostajemy: ~ W ~jWj ijjt,że elementów wektorów ~1Xfaktu, ~ aelementów .WjjjYY W jjXX W jj oraz oraz zz nieskorelowania nieskorelowania Następnie, korzystając Następnie, korzystając elementów iiWW dostajemy: j wektorów 22 j ~ YX 22 W ~jj Y,że W WzzjjX faktu, elementów wektorów dostajemy: W jtjt ~ ~~2 22 ~~~XXX2X 2E 2 ~ E W jtjt E~W Wjt X1 E.W 2E W 2E elementów wektorów dostajemy: ~ jtj jtii W~ W a j wektorów elementów ,, dostajemy: X W ~~E ~ jj j 2 jt jt E 2W X 22 1~ aW E E W 1 aW j j jtY żejt~z jtY o białoszumowści E W E W 2 ~~Y2Y .22 . . t wynika, iż: Zauważmy ponadto, założenia 2 1 a ~ E E W jtjt Y2 Y 1 j ~ jtXjt E a .W 2E 2E ~ ~ W E Y Y 2 1 a jj . W W 2 ~ X YE 2W jtjt E W YE 2W jtjt ~ ~ E W jt E E2 W E2 W WjtjtjtjtY 1 żejt 1z~założenia W jtjtjtY o..białoszumowści ~ ponadto, E t wynika, iż: Zauważmy aE 2 E W1t że 2 ~ YY ponadto, . jj W iż: Zauważmy z założenia oobiałoszumowści 2 2 jt Y ~ wynika, Zauważmy ponadto, że z założenia białoszumowści t t wynika, Y twynika, iż: iż: Zauważmy ponadto, żeEzW założenia o białoszumowści 2jtjt j 1że z założenia E W jt wynika, iż: Zauważmy ponadto, o białoszumowści jt t wynika, iż: Zauważmy~ ponadto, że z założenia o białoszumowści 2 2 1 2 ~ t 111t wariancja ~~2 22 falkowa 2E W E W przyjmiemy, ~~2ponadto, .~ z założenia Zauważmy że o białoszumowści ηt wynika, iż: jt E~ Jeśli teraz że szumu nawynika, pierwszym j1że 1 W E W . W iż: poziomie Zauważmy ponadto, z założenia o białoszumowści E E W . 2 2 jt t 1 1 ~ ~ 2 Zauważmy ponadto, że z założenia o białoszumowści t wynika, iż: jt 1t. jE 112W j 2 E W t 1 ~ ~ 1t 1 ) dana jest następująco: EW W jt (tj. E W j2 2 11t .. dekompozycji skali E jt2dla W j 1 E jt 1t 1 j 1 2 że Jeśli teraz~ przyjmiemy, 2 2wariancja falkowa szumu na pierwszym poziomie 1 ~ ~ 2 2 2 1 ~ teraz przyjmiemy, szumu na pierwszym poziomie Jeśli teraz przyjmiemy, że wariancja wariancja szumu pierwszym poziomie 2 ~ ~ falkowa EJeśli Wteraz przyjmiemy, E2W W11tt .. że2że 2W Yfalkowa E jt Jeśli falkowa szumu na na pierwszym 11E jt )1dana jest następująco: dekompozycji (tj. skali jj W hwariancja 1skali Y 1(wariancja ) h ) Edana W dla pewnego h [0,poziomie 1] , poziomie Jeśli teraz przyjmiemy, że wariancja falkowa szumu na pierwszym pierwszym poziomie 1) E 1t (tj. 1t jest ( Jeśli teraz przyjmiemy, że falkowa szumu na 22dla 1 następująco: dekompozycji dla 1 ) dana jest następująco: dekompozycji (tj. dla skali 111 ) dana jest2 następująco: dekompozycji (tj.skali dla skali 1)1 dana jest następująco: dekompozycji (tj. dla dla 2 ~ skali ~ 1 21 )wariancja Y szumu dana następująco: dekompozycji (tj. Jeśli teraz przyjmiemy, że wariancja falkowa szumu na pierwszym poziomie Jeśli teraz przyjmiemy, że falkowa na pierwszym 1 to ostatecznie otrzymujemy: 2 2 Jeśli teraz że wariancja na ~ ~~Yszumu 2 2 pierwszym 2 (przyjmiemy, ) E W h ( 2falkowa h2 jest EW dla pewnego h [0,poziomie 1] , pozio Y h1 ) 1 22( )1t E~W~ 1h t E~W 2 ( ) pewnego h [[00,1,1]], , 2 2 ( ) E W h ( ) h22następująco: E YW12t1Yt dladla dla pewnego 2 1~ 1t1t 1 Y ~ 1 E 1 )dla Y ) dana jest następująco: dekompozycji (tj. dla skali 2 (tj. 2 Y mie dekompozycji (tj. dla skali λ ) dana jest 2 ( W h ( ) h E W pewnego h h[0 ,1] , ~ ~ 1 ) dana jest następująco: dekompozycji skali 1 2 ( )Y1 h1 E W Y 1dla t E pewnego 2 (( 11 )) otrzymujemy: E1 W W11tt 1th h 1 YY (11 ) h E W11tt dla pewnego h h [[0 0,,1 1]] ,, to ostatecznie toto ostatecznie ~ ~ YY 22 otrzymujemy: 22 otrzymujemy: ~ ~ 22 ostatecznie toostatecznie otrzymujemy: E EW W hh YY22 ((11)) hh E EW W dla pewnego pewnego hh [[00,,11]] ,, dla to otrzymujemy: ((11 )) 11tt 11tt to ostatecznie ostatecznie otrzymujemy: to to ostatecznie otrzymujemy: otrzymujemy: 4 ostatecznie to ostatecznie Propozycję otrzymujemy: taką wysuwają Percival i Walden (2000), s. 407, w odniesieniu do współczynni88 ków konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się na współ4 czynnikach transformaty niezdziesiątkowanej z kilku powodów. pierwsze, dają one dokładPropozycję taką wysuwają Percival i Walden (2000), s. 407, Po w odniesieniu do współczynni44 Propozycję taką wysuwają Percival i iWalden (2000), s.s.407, ww odniesieniu do współczynniPropozycję taką wysuwają Percival Walden (2000), 407, odniesieniu do współczynni4 niejsze estymatory wariancji falkowej wykorzystywane dalej w operacyjnej wersji proponowaneków4 konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się do na współczynniwspółPropozycję taką wysuwają Percival i Walden (2000), s. 407, w odniesieniu 4 Propozycję długości będącej potęgą liczby 2). iiPonadto można wykazać, że w przypadku stosowania taką wysuwają Percival Walden (2000), s. 407, w odniesieniu do współczynników konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się na ków konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się nawspółwspółgo nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa Propozycję taką wysuwają Percival Walden (2000), s. 407, w odniesieniu do współczynniczynnikach transformaty niezdziesiątkowanej z kilku powodów. Po pierwsze, dają one dokładków konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się nanawspółków konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się na współczynnikach transformaty niezdziesiątkowanej z kilku powodów. Po pierwsze, dają one dokładprzekształcenia odwrotnego podejście takie wiąże się z mniejszym błędem średniokwaczynnikach transformaty niezdziesiątkowanej z kilku powodów. Po pierwsze, dają one dokładszeregach dowolnej długości (niekoniecznie długości będącej potęgą liczby 2). Ponadto można ków transformaty falkowej. W niniejszej pracy koncentrujemy się dają na współniejsze estymatory wariancji falkowej wykorzystywane dalej w operacyjnej wersji proponowane44 konwencjonalnej czynnikach transformaty niezdziesiątkowanej z kilku powodów. Po pierwsze, one dokładPropozycję taką wysuwają Percival Walden (2000), s. 407, 407,dalej w odniesieniu do współczynniwspółczynniczynnikach niezdziesiątkowanej zzwykorzystywane kilku powodów. Po pierwsze, dają one dokładPropozycję taką wysuwają Percival iiBruzda, Walden (2000), s. w do niejsze estymatory wariancji falkowej wwto operacyjnej wersji proponowaneniejsze estymatory wariancji falkowej wykorzystywane dalej operacyjnej wersji proponowanewykazać, żetransformaty w przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się estymacji sygnału (patrz 2011) niż pokazuje formuła (12), opisująca czynnikach transformaty niezdziesiątkowanej kilku powodów. Powodniesieniu pierwsze, dają one dokładgo dratowym nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana naz niejsze estymatory wariancji falkowej wykorzystywane dalej operacyjnej wersji proponowaneków konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się na nadziała współniejsze estymatory wariancji falkowej wykorzystywane dalej w operacyjnej wersji proponowaneków konwencjonalnej transformaty falkowej. W niniejszej pracy koncentrujemy się współgo nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana na go nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa mniejszym błędem średniokwadratowym estymacji sygnału (patrz Bruzda, 2011) niż pokazuje todziała niejsze estymatory wariancji falkowej wykorzystywane dalej w operacyjnej wersji proponowaneodpowiedni błąd wynikający z zastosowania transformaty zdziesiątkowanej. Dodatkowo, szeregach dowolnej długości (niekoniecznie długości będącej potęgą liczby 2). Ponadto można go nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa na na czynnikach transformaty niezdziesiątkowanej kilku długości powodów. Poniezdziesiątkowana pierwsze, dają one dokładgo nieparametrycznego estymatora sygnału. Po transformata działa na czynnikach transformaty niezdziesiątkowanej zzdrugie, kilku powodów. Po pierwsze, dają one dokładszeregach dowolnej długości (niekoniecznie będącej potęgą liczby 2). Ponadto można szeregach dowolnej długości (niekoniecznie długości będącej potęgą liczby 2). Ponadto można formuła (12), opisująca odpowiedni błąd wynikający z zastosowania transformaty zdziesiątkowago nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa na wykazać, że w przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się z oceny sygnału uzyskane tą metodą nie zależą odbędącej momentu czasu, w którym rozpoczynamy szeregach dowolnej długości (niekoniecznie długości potęgą liczby 2). Ponadto można niejsze estymatory wariancji falkowej wykorzystywane dalej będącej w potęgą operacyjnej wersji proponowaneszeregach dowolnej długości (niekoniecznie długości liczby 2). Ponadto można niejsze estymatory wariancji falkowej wykorzystywane dalej w operacyjnej wersji proponowanewykazać, że wwsygnału przypadku stosowania przekształcenia odwrotnego podejście wiąże z wykazać, że przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się nej. dodatkowo, oceny uzyskane tądługości metodą nie zależą od momentu czasu, wtakie którym szeregach dowolnej długości (niekoniecznie będącej potęgą liczby 2). Ponadto można mniejszym błędem średniokwadratowym estymacji sygnału (patrz Bruzda, 2011) niż takie pokazuje to sięsię wykazać, żewspółczynników w przypadku stosowania przekształcenia odwrotnego podejście wiąże z z wyznaczanie falkowych, co wiąże się z niezmienniczością transformaty go nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa na wykazać, że w przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się z go nieparametrycznego estymatora sygnału. Po drugie, transformata niezdziesiątkowana działa na mniejszym błędem średniokwadratowym estymacji sygnału (patrz Bruzda, 2011) niż pokazuje toto mniejszym błędem średniokwadratowym estymacji sygnału (patrz Bruzda, 2011) niż pokazuje rozpoczynamy wyznaczanie współczynników falkowych, co wiąże się z niezmienniczością transwykazać, że w przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się z formuła (12), opisująca odpowiedni błąd wynikający z zastosowania transformaty zdziesiątkowamniejszym błędem średniokwadratowym estymacji sygnału (patrz Bruzda, 2011) niżmożna pokazuje to szeregach dowolnej długości (niekoniecznie długości będącej potęgą liczby 2). Ponadto można MODWT względem przesunięć kołowych. mniejszym błędem średniokwadratowym estymacji sygnału (patrz Bruzda, 2011) niż pokazuje pokazuje to szeregach dowolnej długości (niekoniecznie długości będącej liczby 2). Ponadto formuła (12), opisująca odpowiedni błąd wynikający zzpotęgą zastosowania transformaty zdziesiątkowaformuła (12), opisująca odpowiedni wynikający zastosowania transformaty zdziesiątkowaformaty MODWT względem przesunięć kołowych. mniejszym błędem średniokwadratowym estymacji sygnału Bruzda, 2011) niż to nej. dodatkowo, oceny sygnału uzyskane tą błąd metodą nie zależą od momentu czasu, wzdziesiątkowaktórym formuła (12), opisująca odpowiedni błąd wynikający z(patrz zastosowania transformaty wykazać, że w przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się z formuła (12), opisująca odpowiedni błąd wynikający z zastosowania transformaty zdziesiątkowawykazać, że w przypadku stosowania przekształcenia odwrotnego podejście takie wiąże się z nej. dodatkowo, oceny sygnału uzyskane tą metodą nie zależą od momentu czasu, w którym nej. dodatkowo, oceny sygnału uzyskane metodą nie zależą od momentu czasu, w którym formuła (12), opisująca odpowiedni błąduzyskane wynikający ztązastosowania transformaty zdziesiątkowarozpoczynamy wyznaczanie współczynników falkowych, co(patrz wiąże się z od niezmienniczością transnej. dodatkowo, oceny sygnału tąsygnału metodą nie zależą momentu czasu, wto mniejszym błędem średniokwadratowym estymacji sygnału Bruzda, 2011) niż pokazuje toktórym nej. dodatkowo, oceny sygnału uzyskane tą metodą metodą nie zależą od momentu czasu, w którym którym mniejszym błędem średniokwadratowym estymacji (patrz Bruzda, 2011) niż pokazuje rozpoczynamy wyznaczanie współczynników falkowych, co się zczasu, transrozpoczynamy wyznaczanie współczynników falkowych, cowiąże wiąże sięniezmienniczością zniezmienniczością niezmienniczością transnej. dodatkowo, oceny sygnału uzyskane tą nie zależą od momentu w formaty MODWT względem przesunięć kołowych. rozpoczynamy wyznaczanie współczynników falkowych, co wiąże się z transformuła (12), opisująca odpowiedni błąd wynikający z zastosowania transformaty zdziesiątkowarozpoczynamy wyznaczanie współczynników falkowych, co wiąże się zz niezmienniczością transformuła (12), opisująca odpowiedni błąd wynikający z zastosowania transformaty zdziesiątkowaformaty MODWT względem przesunięć kołowych. formaty MODWT względem przesunięć kołowych. rozpoczynamy wyznaczanie współczynników falkowych, co wiąże się niezmienniczością transformaty MODWT względem przesunięć kołowych. nej. dodatkowo, oceny sygnału uzyskane tą metodą metodą nie zależą zależą od od momentu momentu czasu, czasu, w w którym którym formaty MODWT względem przesunięć kołowych. nej. dodatkowo, sygnału uzyskane tą nie formaty MODWToceny względem przesunięć kołowych. rozpoczynamy wyznaczanie wyznaczanie współczynników współczynników falkowych, falkowych, co co wiąże wiąże się się zz niezmienniczością niezmienniczością transtransrozpoczynamy 86 Joanna Bruzda Prognozowanie ii estymacja estymacja sygnałów sygnałów metodą metodą wyrównywania wyrównywania falkowego falkowego Prognozowanie Prognozowanie i estymacja sygnałów metodą wyrównywania falkowego Prognozowanie i estymacja sygnałów metodą wyrównywania falkowego 99 9 9 22 ( ) ~ h ~ ~ˆˆ XX ~ 11 ) W (16) (16) ~jjYY Y,,, 11 hj h1 YY2 Y(2( W )W (16) ~ˆjj X W 1 1 2 j YY2 ((2 jj))) ~W j , (16) ~ˆWX j 1 22h2 j 1 1 (16) W j 1 j 1 Y2 Y ( jY , j )W ~ 2( j ) 2 ~ Yt dla jest wariancją wariancją falkową falkową procesu procesu Y dla skali skali gdzie YY22 ((2 jj )) E EW W~jjYYtt YY2 2 jest gdzie gdziej 1 Y ( j ) E~W j t2 jest falkową procesu Yt dlatYtskali = 2 j–1 jestwariancją wariancją falkową procesu dlaλj skali gdzie Y j 12 (j = 1, 2, …, 2 J). Skorzystanie ze wzoru (16) będzie w praktyce wyjest ze wariancją falkową dla skali gdzie 2,((j…, W =) 1, …, ze(16) wzoru (16)procesu będzie wYpraktyce wy-zaj(j=21, J).E2,Skorzystanie wzoru będzie w praktyce wymagać j t J). Skorzystanie j j 2 Yj 1 (jj = 1, 2, …, J). Skorzystanie ze wzoru (16) będzie wt praktyce wy2 ocenami uzyskanymi na podstawie j 1 wariancji falkowych σ 2 (λ ) ich stąpienia 2 YY wzoru j )) ich magać zastąpienia wariancji falkowych ich ocenami uzyskanymi na j 2 zastąpienia (j = 1, 2,wariancji …, J). Skorzystanie (16)ocenami będzie w praktyce wyY j ze (( magać falkowych uzyskanymi na Y2 (j j ) ich ocenami uzyskanymi na magać zastąpienia MODWT wariancji 4falkowych współczynników . 5 5 2 podstawie współczynników MODWT podstawie współczynników MODWT ..5 Ynieparametrycznej ( j ) ich ocenami estymacji magać zastąpienia wariancji falkowych uzyskanymi na Proponowaną procedurę falkowej sygnału podstawie współczynników MODWT . Proponowaną procedurę procedurę falkowej falkowej nieparametrycznej estymacji estymacji sygnału sygnału 5 Proponowaną nieparametrycznej podstawie współczynników MODWT . dwoma losowego należy procedurę uzupełnić dalszymi rozwiązaniami szczegółowymi. Proponowaną falkowej nieparametrycznej estymacji sygnału losowego należy uzupełnić uzupełnić dalszymi dalszymi dwoma rozwiązaniami szczegółowymi. szczegółowymi. Po losowego należy dwoma rozwiązaniami Po Po pierwsze, do tej pory nie dyskutowaliśmy jeszcze sposobu redukcji współProponowaną procedurę falkowej nieparametrycznej estymacji sygnału losowego należy uzupełnić dalszymi dwoma rozwiązaniami szczegółowymi. Po pierwsze, do do tej tej pory pory nie nie dyskutowaliśmy dyskutowaliśmy jeszcze jeszcze sposobu sposobu redukcji redukcji współczynwspółczynpierwsze, czynników skalujących. W tym zakresie można zaproponować albo pozostalosowego należy uzupełnić dalszymi dwoma rozwiązaniami szczegółowymi. Po pierwsze, do tej pory nie dyskutowaliśmy jeszcze sposobu redukcji współczynników skalujących. skalujących. W W tym tym zakresie zakresie można można zaproponować zaproponować albo albo pozostawienie pozostawienie ników pierwsze, do tej pory postaci nie tym dyskutowaliśmy jeszcze sposobu redukcji współczynwienie ich w niezmienionej postaci (por. Percival, Walden, 2000, s. 424), ników skalujących. W zakresie można zaproponować albo ich w niezmienionej (por. Percival, Walden, 2000, s. 424), co ma ma uza- co ich w niezmienionej postaci (por. Percival, Walden, 2000, s. 424),pozostawienie co uzaników skalujących. W tym zakresie można zaproponować albo pozostawienie ich w niezmienionej postaci (por. Percival, Walden, 2000, s. 424), co ma uzama uzasadnienie w przypadku procesów niestacjonarnych kowariancyjnie, sadnienie w w przypadku przypadku procesów procesów niestacjonarnych niestacjonarnych kowariancyjnie, kowariancyjnie, albo albo przeprzesadnienie ich w niezmienionej postaci (por. Percival, Walden, 2000, s. 424), co ma uzasadnienie w przypadku procesów niestacjonarnych kowariancyjnie, albo przealbo przeskalowanie tych współczynników ich wartości średmtt w skalowanie odchyleń tych tychodchyleń współczynników od ich ich wartości wartościod średniej w spospom skalowanie współczynników od średniej sadnienie wodchyleń przypadku procesów niestacjonarnych kowariancyjnie, albo przem skalowanie odchyleń tych współczynników od ich wartości średniej w sponiej m w sposób zgodny ze wzorem (17), tj. następująco: t sób zgodny zgodny ze wzorem wzorem (17), (17), tj. tj. następująco: następująco: t sób ze skalowanie tych(17), współczynników sób zgodnyodchyleń ze wzorem tj. następująco:od ich wartości średniej mt w spo sób zgodny (17), ~ Y 22 ) następująco: h tj. ~ˆˆ XX ze wzorem h ~ Y ((2 1) Y m , Y 1 1 V m V~jt~ (17) V jt~ mtt , (17) jtˆ X mtt 1 jt Y Y Y (1 ) 22 V j h 1 ~ j 1 ~ Y2 m 1 22h j 1E V m V m , (17)(17) E V jt t jt t V jt ( ~ m) tt 2 ~ Y ~ˆ V jtX mt 1 2j 1 E~VjtY jtY 1 m (17) t2 V jt mt , 2 Ezastosowanie co może może mieć mieć praktyczne praktyczne zastosowanie w przypadku przypadku procesów procesów niestacjonarniestacjonarV jtY mt w co co może mieć praktyczne zastosowanieww przypadku procesówniestacjonarniestacjonarco może mieć praktyczne zastosowanie przypadku procesów nych w średniej oraz procesów stacjonarnych. nych w średniej orazoraz procesów stacjonarnych. nych w średniej procesów stacjonarnych. conych może mieć praktyczne zastosowanie w przypadku procesów niestacjonarw średniej oraz procesów stacjonarnych. Drugie uzupełnienie uzupełnienie procedury procedury estymacji estymacji dotyczy dotyczy sposobu sposobu uzyskania uzyskania końkońnychDrugie wDrugie średniej oraz procesów stacjonarnych. uzupełnienie procedury estymacjidotyczy dotyczysposobu sposobuuzyskania uzyskaniakońkońDrugie uzupełnienie procedury estymacji cowej oceny sygnału. Z zasady ma tu zastosowanie odwrotne przekształcenie cowej oceny sygnału. Z zasady ma tu zastosowanie odwrotne przekształcenie cowej oceny sygnału. Z zasady ma zastosowanie odwrotne przekształcenie Drugie estymacji dotyczy sposobu uzyskania końcowej oceny sygnału. zasady ma tutu zastosowanie odwrotne przekształcenie falkowe, couzupełnienie rodzi jednakZprocedury potrzebę ustalenia przeskalowanych wartości współfalkowe, co rodzi jednak potrzebę ustalenia przeskalowanych wartości współfalkowe, co rodzi jednak potrzebę ustalenia przeskalowanych wartości współcowej oceny sygnału. Z zasady ma tu zastosowanie odwrotne przekształcenie falkowe, co rodzi jednak potrzebę ustalenia przeskalowanych wartości współczynników także także poza poza próbą próbą estymacyjną, estymacyjną, gdyż gdyż filtry filtry odwrotnego odwrotnego przekształceprzekształceczynników falkowe, co rodzi jednak potrzebę ustalenia przeskalowanych wartości współczynników także poza próbą estymacyjną, gdyż filtry odwrotnego przekształczynników także poza próbą estymacyjną, gdyż filtry odwrotnego przekształcenia falkowego falkowego są są symetrycznymi symetrycznymi filtrami filtrami nieprzyczynowymi. nieprzyczynowymi. W W niniejszej niniejszej praprania czynników także poza próbą estymacyjną, gdyż filtry odwrotnego przekształcenia falkowego są symetrycznymi filtrami nieprzyczynowymi. W niniejszej pracenia falkowego są symetrycznymi filtrami nieprzyczynowymi. W niniejszej cy proponuje się więc rozwiązanie dwojakiego rodzaju. Po pierwsze, przy przycy proponuje się więc rozwiązanie dwojakiego rodzaju. Po pierwsze, przy przynia falkowego są symetrycznymi filtrami nieprzyczynowymi. W niniejszej pracy proponuje się więc rozwiązanie dwojakiego rodzaju. Po pierwsze, przy przypracy proponuje się więc rozwiązanieoraz dwojakiego rodzaju. Poii pierwsze, przy jęciu niskich poziomów dekompozycji oraz filtrów falkowych falkowych skalujących jęciu niskich poziomów dekompozycji filtrów skalujących cy proponuje siępoziomów więcma rozwiązanie dwojakiego rodzaju. Po pierwsze, przy przyjęciu niskich dekompozycji oraz filtrów falkowych i skalujących Haara zastosowanie prosta formuła postaci (patrz Bruzda, 2011): przyjęciu niskich poziomów dekompozycji oraz filtrów falkowych i skalująHaara zastosowanie ma prosta formuła postaci (patrz Bruzda, 2011): jęciu niskich poziomów dekompozycji oraz filtrów falkowych i skalujących Haara zastosowanie ma prosta formuła postaci (patrz Bruzda, cych prosta formuła postaci (patrz2011): Bruzda, 2011): ~ˆˆ zastosowanie ~ˆˆ ma prosta ~ˆˆ ma ˆHaara ~ ~ ~ ˆ Haara zastosowanie formuła postaci (patrz Bruzda, 2011): (18) Xˆ ˆ V VJJ~ˆ W W11~ˆ ... ... W W~ (18) X Jˆ .. J ˆ V W ... W . (18) X J 1 J ~ ~ ~ ˆ ˆ ˆprzy dekompozycji ˆ W szczególności, szczególności, jednopoziomowej błąd estymacji sygnału . (18) (18) Xˆ VJ Wprzy ... W W dekompozycji jednopoziomowej błąd estymacji sygnału 1 J W szczególności, przy dekompozycji błąd wyższych estymacji sygnału związany estymatorem (18) jest dany danyjednopoziomowej wzorem (12), (12), aa przy przy wyższych poziozwiązany zz estymatorem (18) jest wzorem pozioW szczególności, dekompozycji jednopoziomowej estymacji sygnału związany z estymatorem (18) jest dany wzorem (12), błąd a przy wyższych poziomach jest od niegoprzy większy. Do oceny sygnału uzyskanej wzorem (18) stosuje mach jest od niego większy. Do oceny sygnału uzyskanej wzorem stosuje W szczególności przy dekompozycji jednopoziomowej błąd(18) estymacji syzwiązany z estymatorem (18) jest dany wzorem (12), a przy wyższych poziomach jest od niego większy. Do oceny sygnału uzyskanej wzorem (18) stosuje sięgnału w etapie etapie postestymacyjnym założone proste metody prognozowania prognozowania (np. się w postestymacyjnym założone proste metody (np. związany z estymatorem (18) jest dany wzorem (12), a przy wyższych mach od niego większy. Do oceny uzyskanej (18) stosuje się wjest etapie postestymacyjnym założone proste metodywzorem prognozowania (np. model błądzenia przypadkowego czy sygnału modele autoregresyjne). Niewątpliwą model błądzenia przypadkowego czy modele autoregresyjne). Niewątpliwą się w etapie postestymacyjnym założone proste metody prognozowania (np. model błądzenia przypadkowego czy modele autoregresyjne). Niewątpliwą 4Na temat własności DWT- i MODWT-estymatorów wariancji falkowej patrz np. model błądzenia przypadkowego czy modele autoregresyjne). Niewątpliwą Percival, Walden (2000), Rozdział VIII. 55 Na temat temat własności własności DWTDWT- ii ModWT-estymatorów ModWT-estymatorów wariancji wariancji falkowej falkowej patrz patrz np. np. Percival, Percival, Na 5 tematRozdział własności DWT- i ModWT-estymatorów wariancji falkowej patrz np. Percival, WaldenNa (2000), Rozdział VIII. Walden (2000), VIII. 5 Walden (2000), RozdziałDWTVIII. i ModWT-estymatorów wariancji falkowej patrz np. Percival, Na temat własności Walden (2000), Rozdział VIII. Prognozowanie metodą wyrównywania falkowego 87 poziomach jest od niego większy. Do oceny sygnału uzyskanej wzorem (18) stosuje się w etapie postestymacyjnym założone proste metody prognozowania (np. model błądzenia przypadkowego czy modele autoregresyjne). Niewątpliwą zaletą tego podejścia jest to, iż opiera się ono w całości na filtrach przyczynowych i, jako takie, nie wymaga prognozowania współczynników falkowych. Drugie rozwiązanie polega natomiast na przeniesieniu całego procesu prognozowania do dziedziny falkowej, co wiąże się z wyznaczeniem osobnych prognoz dla współczynników z różnych poziomów dekompozycji w horyzoncie obejmującym założony na początku horyzont predykcji i powiększonym o okres niezbędny dla przeprowadzenia transformaty odwrotnej. Podejście to nawiązuje więc do założenia, w myśl którego współczynniki falkowe i współczynniki skalujące można prognozować z użyciem prostszych narzędzi niż procesy oryginalne. W praktyce – ze względu na problemy związane z koniecznością ekstrapolacji próby już na etapie estymacyjnym – zastosowanie mogą mieć krótkie filtry Daubechies. Warto natomiast podkreślić, że w zakresie samej jedynie estymacji sygnału błąd średniokwadratowy jest tutaj niższy od wartości danej wzorem (12). 4. Ocena własności predyktywnych proponowanego narzędzia W celu praktycznej weryfikacji proponowanej metody prognozowania zastosowano ją do wyznaczenia prognoz 17 szeregów gospodarczych z bazy M3-IJF-Competition. Były to szeregi o numerach: N2863–N2883, które wybrano ze względu na to, iż wydają się one mieć stałą wartość średnią, tj. nie zawierają wyraźnej tendencji wzrostowej lub spadkowej. Metodę zaimplementowano, przyjmując pierwszy sposób podejścia do współczynników skalujących5 oraz ustalając arbitralnie stałą wygładzania na poziomie h = 0.5. Rozważono dwa najkrótsze filtry falkowe Daubechies (falkę Haara i falkę d4), po 20 prognoz w horyzoncie od jednego do pięciu okresów, wydłużając stopniowo próbę o jedną obserwację, szacując za każdym razem wariancje falkowe i wyznaczając nowe prognozy i błędy ex post. W charakterze prostych z założenia metod prognozowania współczynników transformaty MODWT oraz oszaco 5 W istocie, dalsze wyniki przeprowadzonego badania wskazują, że drugi sposób potraktowania tych współczynników, tj. przyjęcie formuły (17) z wartością m szacowaną na poziomie średniej arytmetycznej szeregu, dostarcza jeszcze bardziej przekonywających wyników na rzecz proponowanej tutaj metody. 88 Joanna Bruzda wanego sygnału przyjęto modele takie jak błądzenie przypadkowe oraz modele autoregresyjne dla poziomów i przyrostów z liczbą opóźnień ustaloną zgodnie ze wskazaniem kryterium AIC6. W przypadku falki Haara zastosowano podejście bez inwersji (patrz wzór (18)) oraz z inwersją. Przyjęto do pięciu poziomów dekompozycji w metodzie bez inwersji, do czterech w metodzie z inwersją przy zastosowaniu falki Haara i do dwóch – w metodzie z inwersją przy zastosowaniu falki d4. Należy dodać, że prognozowane szeregi czasowe mają długości w przedziale: 76–79, tak więc długość pierwszej próby będącej podstawą estymacji sygnału była liczbą z przedziału 52–55. Dla porównania zastosowano także klasyczne podejście w postaci modelu błądzenia przypadkowego, modelu wyrównywania wykładniczego Browna z optymalizowaną stałą wygładzania i wartością początkową identyczną z pierwszą obserwacją oraz modeli autoregresji dla poziomów i przyrostów dla oryginalnych (nieprzekształconych) danych. W Tabeli 1 prezentuje się średniokwadratowe błędy dla prognoz jednokrokowych, które to prognozy są najczęściej wykorzystywane w logistyce, np. w kontekście optymalizacji rozmieszczenia towarów w magazynie. Należy dodać, że przewaga proponowanego podejścia nad metodami klasycznymi była bardziej widoczna dla dłuższych horyzontów. Dwa najlepsze rezultaty dla każdego szeregu wyróżniono tłustym drukiem. Wyniki badania można podsumować następująco. Klasyczne metody prognozowania pozwoliły osiągnąć najmniejszy średniokwadratowy błąd prognozy tylko w czterech przypadkach spośród 17 przebadanych. Najlepsze wyniki osiągnięto, stosując falkową wersję wyrównywania wykładniczego realizowaną za pomocą metody bez inwersji, która w wielu sytuacjach pozwoliła znacznie zredukować błąd prognoz. Tylko w jednym przypadku klasyczne wyrównywanie wykładnicze dostarczyło prognoz o mniejszym średnim błędzie. Metody z inwersją uplasowały się na drugiej pozycji, przy czym nie daje się zaobserwować wyraźnej przewagi falki Haara lub falki d4. Ponadto można zauważyć, że dobre prognozy uzyskane za pomocą falki d4 wydają się korespondować z odpowiednimi prognozami uzyskanymi metodą z inwersją za pomocą falki Haara, ale dla wyższych poziomów dekompozycji. Zaprezentowany przykład wskazuje, że podejście do prognozowania sugerowane w niniejszej pracy jest obiecujące i może stanowić alternatywę względem klasycznych metod wygładzania szeregów. Do zastosowań praktycznych należy zarekomendować metodę bez inwersji wymagającą użycia falki Haara. Kolejne badania empiryczne na tym samym i rozszerzonym zestawie danych, 6 Wskazania uzyskane kryterium Schwartza nie różniły się od tych uzyskanych kryterium Akaike’a. Maksymalna liczba opóźnień wynosiła 8. Prognozowanie metodą wyrównywania falkowego 89 nieprzytaczane w tym artykule, wskazują także, że dalszą poprawę przynosi wygładzenie współczynników skalujących oraz, co jest oczywiste, optymalizacja stałej h i poziomu dekompozycji, wymagająca podziału próby estymacyjnej na dwie części. W dalszych badaniach zwraca uwagę także fakt, że przyjęcie stałej wygładzania h na poziomie 1, co w przybliżeniu odpowiada metodzie falkowej eliminacji progowej, dostarcza wyraźnie gorszych wyników niż te przytaczane w pracy, prowadząc w mniejszej liczbie przypadków do dominacji nad metodami klasycznymi. Podsumowanie Metoda prognozowania zaproponowana w niniejszym artykule zakłada, że obserwowane szeregi gospodarcze są realizacjami procesów będących sumą losowego (stacjonarnego lub niestacjonarnego) sygnału i szumu będącego procesem czysto losowym. Ważnym etapem procedury prognostycznej jest tu nieparametryczna estymacja sygnału z użyciem metod falkowych. Do wygładzonych szeregów stosuje się proste narzędzia prognostyczne, takie jak metoda naiwna czy modele autoregresyjne. Podstawową zaletą takiego podejścia jest redukcja złożoności obliczeniowej wynikająca z obejścia konieczności estymacji parametrów modeli strukturalnych szeregów czasowych z użyciem takich metod, jak filtracja Kalmanowska. Jednym z możliwych obszarów zastosowań tej metody są prognozy procesów nieliniowych generowanych według prostych modeli typu STAR czy SETAR, zanieczyszczonych dodatkowo szumem białym, jednakże interesujące wyniki otrzymuje się także w przypadku prognozowania procesów liniowych. Zaprezentowana w artykule analiza empiryczna dostarczyła obiecujących wyników pozwalających na zarekomendowanie do zastosowań praktycznych wariantu metody opartej na falce Haara, który nie wymaga prognozowania współczynników transformaty falkowej. Dalszą poprawę metody można uzyskać, optymalizując stałą wygładzania h i liczbę poziomów dekompozycji falkowej oraz – w przypadku procesów stacjonarnych bądź trendo-stacjonarnych – stosując, obok przeskalowywania współczynników falkowych, także redukcję współczynników skalujących. Wydaje się, że proponowana metoda w praktyce może dominować nad innymi mechanicznymi podejściami do prognozowania w rodzaju wyrównywania wykładniczego i średnich ruchomych z arbitralnie przyjmowanym systemem wag. Ze względu na fakt, że uniwersalność tego podejścia nie jest okupiona dużą złożonością obliczeniową, metodę tę można zarekomendować do zastosowań w ramach automatycznych systemów prognostycznych. N2867 N2866 N2865 N2864 N2863 (H5) 152.0 (H5) 89.31 (iH4) 72.74 (iH4) 61.73 (H1) 131.4 (H5) 36.55 (H5) 29.86 (H1) 90.53 (H1) 31.16 (iH4) >> (iH4) 38.47 (H1) 29.15 (H5) 19.17 (H5) 5.736 (iH4) 14.65 (iH4) 15.55 (H1) 5.522 (H5) 19.23 (H5) 11.02 (H1) 5.761 (H1) 12.71 (iH4) 28.48 (iH4) 30.93 (H1) 11.03 (H5) 23.45 (H5) 21.59 AR (H1) 18.14 (H1) 21.80 RW (H5) 131.3 (H1) 122.5 (iH4) 52.69 (H5) 32.55 (H1) 29.14 (iH4) 16.56 (H5) 26.10 (H1) 6.912 (iH4) 13.52 (H5) 17.68 (H1) 13.12 (iH4) 23.51 (H5) 20.58 (H1) 17.30 ∆AR (iH1) 91.79 (H2) 89.28 (D1) 49.62 (iH1) 38.65 (H2) 29.44 (D1) 7.610 (iH1) 7.035 (H2) 5.734 (D1) 14.00 (iH1) 12.01 (H2) 11.04 (D1) 39.39 (iH1) 28.34 (H2) 21.99 RW (iH1) 130.4 (H2) 130.3 (D1) 42.00 (iH1) 36.70 (H2) 32.25 (D1) 7.459 (iH1) 4.830 (H2) 5.216 (D1) 13.79 (iH1) 12.63 (H2) 12.55 (D1) 27.33 (iH1) 21.95 (H2) 18.80 AR RW (iH1) 120.0 (H2) 119.1 (D1) 41.71 (iH1) 34.62 (H2) 30.06 (D1) 8.872 (iH2) 85.83 (H3) 89.11 (D2) 80.75 (iH2) 49.16 (H3) 29.92 (D2) 14.88 (iH2) 9.175 (H3) 5.802 (H2) 6.649 (iH1) 7.515 (D2) 21.53 (iH2) 14.00 (H3) 11.04 (D2) 63.15 (iH2) 32.67 (H3) 21.68 (D1) 13.91 (iH1) 12.55 (H2) 13.03 (D1) 21.99 (iH1) 19.20 (H2) 17.02 ∆AR Tabela 1. Średniokwadratowe błędy prognoz na jeden okres w przód AR (iH2) 121.1 (H3) 130.2 (D2) 61.67 (iH2) 42.40 (H3) 32.69 (D2) 8.917 (iH2) 4.719 (H3) 6.330 (D2) 15.68 (iH2) 13.21 (H3) 12.86 (D2) 43.30 (iH2) 26.24 (H3) 18.98 ∆AR RW (iH2) 109.3 (H3) 119.8 (D2) >> (iH2) 40.32 (H3) 30.20 (iH3) 88.23 (H4) 89.10 27.22 (iH3) 73.44 (H4) 29.94 5.594 (iH3) 20.25 (iH2) 6.904 (D2) 84.70 (H4) 5.791 11.04 (iH3) 15.61 (H4) 11.03 20.10 (iH3) 31.40 (H4) 21.59 (H3) 7.692 (D2) 25.11 (iH2) 13.42 (H3) 12.80 (D2) 91.57 (iH2) 23.83 (H3) 16.89 AR (iH3) 121.3 (H4) 130.5 32.35 (iH3) 52.67 (H4) 34.02 6.839 (iH3) 12.56 (H4) 9.509 13.26 (iH3) 14.85 (H4) 13.15 18.81 (iH3) 36.61 (H4) 19.22 ∆AR (iH3) 103.5 (H4) 118.6 29.41 (iH3) 41.13 (H4) 29.50 7.249 (iH3) 8.079 (H4) 12.29 13.72 (iH3) 14.90 (H4) 13.21 17.64 (iH3) 33.48 (H4) 17.08 29.98 5.610 11.04 20.10 ES [90] N2872 N2871 N2870 N2869 N2868 (H1) 33.61 (iH4) 15.63 (iH4) 23.14 (H1) 27.49 (H5) 12.63 (H5) 16.13 (iH4) 10.44 (iH4) 8.211 (H1) 9.660 (H5) 7.308 (H5) 8.881 (H1) 16.29 (H1) 7.899 (iH4) 20.21 (iH4) 20.13 (H1) 9.248 (H5) 14.85 (H5) 20.98 (iH4) 30.91 (iH4) 41.36 (H1) 11.68 (H5) 19.30 (H5) 31.14 (H1) 21.66 (H1) 17.06 (H1) 31.88 AR (iH4) 119.6 RW (iH4) 100.1 Cd. tabeli 1 ∆AR (H1) 33.63 (iH4) 13.27 (H5) 10.60 (H1) 10.02 (iH4) 8.199 (H5) 6.404 (H1) 7.653 (iH4) 19.07 (H5) 18.96 (H1) 13.11 (iH4) 21.32 (H5) 14.63 (H1) 15.89 (iH4) 105.8 RW (H2) 27.17 (D1) 31.25 (iH1) 22.65 (H2) 16.31 (D1) 10.65 (iH1) 9.671 (H2) 8.910 (D1) 35.46 (iH1) 26.26 (H2) 21.22 (D1) 60.51 (iH1) 42.68 (H2) 31.33 (D1) 83.06 AR (H2) 33.58 (D1) 13.43 (iH1) 11.25 (H2) 10.05 (D1) 9.247 (iH1) 8.940 (H2) 7.092 (D1) 14.20 (iH1) 12.28 (H2) 11.62 (D1) 24.54 (iH1) 19.39 (H2) 16.28 (D1) 120.1 (H2) 33.29 (D1) 12.36 (iH1) 9.599 (H2) 10.28 (D1) 10.59 (iH1) 8.198 (H2) 7.485 (D1) 16.69 (iH1) 14.41 (H2) 13.11 (D1) 23.03 (iH1) 16.56 (H2) 14.57 (D1) 110.7 ∆AR RW (H3) 26.95 (D2) 48.69 (iH2) 25.07 (H3) 16.16 (D2) 9.682 (iH2) 7.496 (H3) 8.899 (D2) 31.13 (iH2) 20.83 (H3) 21.05 (D2) 54.31 (iH2) 33.74 (H3) 31.19 (D2) 70.73 AR (H3) 34.90 (D2) 20.15 (iH2) 11.73 (H3) 10.32 (D2) 8.063 (iH2) 8.595 (H3) 6.995 (D2) 19.03 (iH2) 14.46 (H3) 12.03 (D2) 40.40 (iH2) 25.10 (H3) 13.98 (D2) 92.58 ∆AR (H3) 34.80 (D2) 68.85 (iH2) 11.02 (H3) 10.43 (D2) 18.02 (iH2) 7.060 (H3) 6.840 (D2) 54.14 (iH2) 14.15 (H3) 12.59 (D2) 98.95 (iH2) 20.67 (H3) 13.13 (D2) 99.06 RW (H4) 26.84 14.79 (iH3) 20.82 (H4) 16.14 9.376 (iH3) 7.916 (H4) 8.885 20.57 (iH3) 18.86 (H4) 21.01 29.27 (iH3) 30.46 (H4) 31.17 96.99 AR (H4) 36.56 9.497 (iH3) 13.17 (H4) 12.49 7.174 (iH3) 7.485 (H4) 7.023 11.46 (iH3) 14.86 (H4) 12.11 16.32 (iH3) 32.74 (H4) 13.43 134.5 ∆AR (H4) 35.22 9.913 (iH3) 12.18 (H4) 12.94 7.721 (iH3) 8.070 (H4) 6.089 13.07 (iH3) 12.45 (H4) 13.73 17.20 (iH3) 21.54 (H4) 12.65 126.0 ES 14.79 9.378 20.57 29.27 102.1 [91] N2876 N2875 N2874 N2873 (H5) 0.8193 (H5) 0.2645 (iH4) 28.98 (iH4) 27.02 (H1) 0.3910 (H5) 31.03 (H5) 22.99 (H1) 0.2579 (H1) 22.87 (iH4) 12.60 (iH4) 15.17 (H1) 23.31 (H5) 14.49 (H5) 13.90 (iH4) 19.96 (iH4) 22.75 (H1) 10.63 (H5) 19.92 (H5) 13.63 (H1) 14.31 (H1) 12.57 (iH4) 48.88 (iH4) 34.90 (H1) 13.82 (H5) 39.33 (H5) 38.95 (H5) 26.83 (H5) 0.7263 (H1) 0.4298 (iH4) 26.83 (H5) 36.08 (H1) 23.85 (iH4) 10.61 (H5) 12.64 (H1) 11.39 (iH4) 10.89 (H5) 18.42 (H1) 11.95 (iH4) 35.47 ∆AR AR RW Cd. tabeli 1 (iH1) 0.3753 (H2) 0.2681 (D1) 35.93 (iH1) 27.65 (H2) 23.40 (D1) 27.76 (iH1) 19.40 (H2) 14.23 (D1) 21.08 (iH1) 17.67 (H2) 13.82 (D1) 34.69 (iH1) 31.22 RW (iH1) 0.4717 (H2) 0.4002 (D1) 24.96 (iH1) 22.80 (H2) 22.99 (D1) 13.89 (iH1) 12.26 (H2) 10.43 (D1) 13.88 (iH1) 13.42 (H2) 12.83 (D1) 35.40 (iH1) 31.72 AR (iH1) 0.5261 (H2) 0.4381 (D1) 21.26 (iH1) 23.12 (H2) 25.58 (D1) 15.36 (iH1) 13.37 (H2) 11.25 (D1) 12.45 (iH1) 12.34 (H2) 12.02 (D1) 35.96 (iH1) 30.14 ∆AR (iH2) 0.5624 (H3) 0.2700 (D2) 54.46 (iH2) 31.54 (H3) 23.07 (D2) 42.27 (iH2) 21.47 (H3) 13.96 (D2) 29.92 (iH2) 20.71 (H3) 13.62 (D2) 42.59 (iH2) 33.53 RW (iH2) 0.5739 (H3) 0.4173 (D2) 30.40 (iH2) 22.63 (H3) 24.80 (D2) 22.17 (iH2) 12.45 (H3) 10.18 (D2) 17.53 (iH2) 13.78 (H3) 13.11 (D2) 38.59 (iH2) 33.90 AR (iH2) 0.5940 (H3) 0.4705 (D2) 90.44 (iH2) 25.07 (H3) 23.64 (D2) 47.24 (iH2) 14.46 (H3) 11.03 (D2) 44.81 (iH2) 12.13 (H3) 12.49 (D2) 84.45 (iH2) 31.60 ∆AR (iH3) 0.7187 (H4) 0.2668 22.33 (iH3) 31.23 (H4) 23.00 13.23 (iH3) 18.09 (H4) 13.91 13.48 (iH3) 15.83 (H4) 13.63 27.67 (iH3) 36.21 RW (iH3) 0.9584 (H4) 0.4496 24.81 (iH3) 30.92 (H4) 24.72 10.68 (iH3) 12.05 (H4) 10.60 12.46 (iH3) 14.77 (H4) 17.79 35.16 (iH3) 35.65 AR (iH3) 0.9264 (H4) 0.4684 25.70 (iH3) 32.70 (H4) 26.84 11.84 (iH3) 12.72 (H4) 11.51 12.48 (iH3) 13.25 (H4) 13.52 34.79 (iH3) 30.99 ∆AR 22.33 13.23 13.58 27.98 ES [92] (H5) 0.6210 (H5) 0.5616 (iH4) 0.4715 (H5) 0.3946 (iH4) 0.5448 (iH4) 0.5604 (H1) 0.4870 (iH4) 0.1298 (H1) 0.4114 (iH4) 0.1202 (iH4) 0.1302 (H5) 0.2484 (H1) 0.1091 (iH4) 0.3207 (H5) 0.3218 (H1) 0.2228 (H1) 0.4086 (H5) 0.2472 (H5) 0.1170 (iH4) 0.7351 (iH4) 0.2110 (H1) 0.1148 (H5) 0.3042 (H5) 0.2167 (H1) 0.1193 (H1) 0.2182 (H1) 0.2227 ∆AR (iH4) 0.8848 RW (D1) 0.5464 (iH1) 0.4825 (H2) 0.4113 (D1) 0.1256 (iH1) 0.1121 (H2) 0.1214 (D1) 0.2347 (iH1) 0.2392 (H2) 0.2184 (D1) 0.4820 AR (D1) 0.4436 (iH1) 0.4182 (H2) 0.4331 (D1) 0.1037 (iH1) 0.1137 (H2) 0.1088 (D1) 0.2759 (iH1) 0.2316 (H2) 0.2297 (D1) 0.5512 (D1) 0.5311 (iH1) 0.4784 (H2) 0.5061 (D1) 0.1202 (iH1) 0.1177 (H2) 0.1126 (D1) 0.2336 (iH1) 0.2225 (H2) 0.2325 (D1) 0.6092 ∆AR RW (D2) 0.8003 (iH2) 0.6169 (H3) 0.3998 (D2) 0.3266 (iH2) 0.1766 (H3) 0.1179 (D2) 0.1883 (iH2) 0.2100 (H3) 0.2166 (D2) 0.9702 AR (D2) 0.5214 (iH2) 0.4434 (H3) 0.4259 (D2) 0.1548 (iH2) 0.1160 (H3) 0.1028 (D2) 0.3473 (iH2) 0.2566 (H3) 0.2349 (D2) 0.9011 ∆AR (D2) 1.0135 (iH2) 0.5194 (H3) 0.5106 (D2) 0.2594 (iH2) 0.1514 (H3) 0.1141 (D2) 0.2142 (iH2) 0.2119 (H3) 0.2311 (D2) 1.998 RW 0.4064 (iH3) 0.6196 (H4) 0.3959 0.1281 (iH3) 0.1200 (H4) 0.1175 0.2348 (iH3) 0.1806 (H4) 0.2167 0.2425 AR 0.4246 (iH3) 0.4303 (H4) 0.4421 0.1177 (iH3) 0.1105 (H4) 0.1117 0.2326 (iH3) 0.2915 (H4) 0.3493 0.4131 ∆AR 0.5029 (iH3) 0.4815 (H4) 0.5401 0.1030 (iH3) 0.1350 (H4) 0.1284 0.2253 (iH3) 0.1980 (H4) 0.2211 0.4646 ES 0.5172 0.1217 0.2033 0.4347 (H1)–(H5) – metoda oparta na falce Haara bez inwersji; (iH1)–(iH4) – metoda oparta na falce Haara z inwersją; (D1)–(D2) – metoda oparta na falce d4 z inwersją; liczby w nawiasach oznaczają poziom dekompozycji; RW – prognoza z modelu błądzenia przypadkowego; AR – prognoza z modelu autoregresji; ∆AR – prognoza z modelu autoregresji dla przyrostów; ES – wyrównywanie wykładnicze; ‘>>’ oznacza wartość o co najmniej dwa rzędy wielkości przewyższającą pozostałe wartości błędów; wszystkie wielkości przemnożono przez 0.0001. N2879 N2878 N2877 AR (iH4) 0.8457 RW (iH4) 0.8184 Cd. tabeli 1 [93] 94 Joanna Bruzda Literatura Alrumaih R. M., Al-Fawzan M. A. (2002), Time Series Forecasting Using Wavelet Denoising, Journal of King Saudi University, Engineering Sciences, 14, 221– –234. Arino M. (1995), Time Series Forecasts via Wavelets: An Application to Car Sales in the Spanish Market, Discussion Paper No. 95–30, Institute of Statistics and Decision Sciences, Duke University. Augustyniak P. (2003), Transformacje falkowe w zastosowaniach elektrodiagnostycznych, Uczelniane Wydawnictwa Naukowo-Dydaktyczne, AGH, Kraków. Bruzda J. (2011), Wavelet Analysis in Economic Applications, monografia w przygotowaniu. Chen H., Vidacovic B., Mavris D. (2004), Multiscale Forecasting Method using ARMAX Models, Biomedical Engineering Technical Report No. 30/2004, Georgia Institute of Technology. Conejo A. J., Plazas M. A., Espínola R., Molina A. B. (2005), Day-Ahead Electricity Price Forecasting Using the Wavelet Transform and ARIMA Models, IEEE Transactions on Power Systems, 20, 1035–1042. Ferbar L., Čreslovnik D., Mojškerc B., Rajgelj M. (2009), Demand Forecasting Methods in a Supply Chain: Smoothing and Denoising, International Journal of Production Economics, 118, 49–54. Fernandez V. (2008), Traditional versus Novel Forecasting Techniques: How Much do We Gain?, Journal of Forecasting, 27, 637–648. Fryźlewicz P., Van Bellegem S., von Sachs R. (2003), Forecasting Nonstationary Time Series by Wavelet Process Modelling, Annals of the Institute of Statistical Mathematics, 55, 737–764. Kaboudan M. (2005), Extended Daily Exchange Rates Forecasts Using Wavelet Temporal Resolution, New Mathematics and Natural Computation, 1, 79–107. Makridakis S., Hibon M. (2000), The M3-Competition: Results, Conclusions and Implications, International Journal of Forecasting, 16, 451–476. Minu K. K., Lineesh M. C., Jessy John C. (2010), Wavelet Neural Networks for Nonlinear Time Series Analysis, Applied Mathematical Sciences, 4, 2485–2495. Nason G. P. (2008), Wavelet Methods in Statistics with R, Springer-Business Media, New York. Percival D. B., Walden A. T. (2000), Wavelet Methods for Time Series Analysis, Cambridge University Press, Cambridge. Renaud O., Starck J.-L., Murtagh F. (2002), Wavelet-based Forecasting of Short and Long Memory Time Series, Working Paper No. 2002.04, University of Geneva. Prognozowanie metodą wyrównywania falkowego 95 Schlüter S., Deuschle C. (2010), Using Wavelets for Time Series Forecasting – Does it Pay Off?, Diskussionspapier No. 4/2010, Institut für Wirtschaftspolitik und Quantitative Wirtschaftsforschung, Friedrich-Alexander-Universität. Wong H., Ip W.-C., Xie Z., Lui X. (2003), Modelling and Forecasting by Wavelets, and the Application to Exchange Rates, Journal of Applied Statistics, 30, 537v553. Forecasting via wavelet smoothing A b s t r a c t. In the paper we discuss existing techniques for univariate time series forecasting based on the wavelet transform and introduce also a new method of forecasting with wavelets. The new approach is based on a nonparametric estimation of a stochastic signal via a wavelet smoothing. The method can be thought of as a wavelet variant of the exponential smoothing, which is, however, much more universal, being at the same time relatively computationally efficient. Our empirical verification based on 17 time series from the M3-JIF-Competition database provides very promising results, confirming the practical relevance of the suggested approach. K e y w o r d s: wavelet forecasting, nonparametric signal estimation, wavelet smoothing.