Численный метод исследования динамических рядов с апериодическими аномалиями

  • Валерий Владимирович Меньших Воронежский институт Министерства внутренних дел Российской Федерации https://orcid.org/0000-0001-9235-4997
  • Валерия Олеговна Морозова Воронежский институт Министерства внутренних дел Российской Федерации https://orcid.org/0000-0002-2339-9515
Ключевые слова: динамические ряды, точечные аномалии, циклическая компонента, трендовая компонента, прогноз будущих значений, структурные аномалии, параметрические аномалии

Аннотация

Данная статья посвящена разработке численных методов исследования динамических рядов с апериодическими точечными аномальными изменениями значений уровней, возникающих вследствие влияния социально-экономических и/или внешне и/или внутриполитических факторов на моделируемый объект или систему. При этом предполагается, что имеются достаточные основания считать, что ряды содержат циклическую компоненту (например, в случае, если явно выражены сезонные изменения в поведении моделируемого объекта или системы). Использование классических математических методов, как правило, приводит к получению моделей, не позволяющих описывать и прогнозировать их значения с приемлемой точностью вследствие наличия аномальных изменений уровней ряда. В статье разработаны численные методы моделирования динамических рядов с указанной особенностью, основанные на выявлении и исключении аномальных изменений значений уровней ряда. С этой целью аномальные значения уровней предложено подразделять на структурные, изменяющие полярность (т. е. направленность изменения) циклической компоненты, и параметрические, сохраняющие полярность, но существенно изменяющие абсолютное значение уровня ряда. Для выявления точечных структурных аномалий разработан индикаторный метод, а выявление точечных параметрических аномалий основано на предположении о нормальности закона распределения значений циклической компоненты при точечных исключениях уровней ряда. Для решения задачи осуществлялось выявление циклической и трендовой компонент для аддитивной и мультипликативной моделей ряда на промежутках неаномального изменения значений уровней в интересах прогнозирования будущих значений ряда. Приведён численный пример, подтверждающий высокую эффективность разработанных методов.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Валерий Владимирович Меньших, Воронежский институт Министерства внутренних дел Российской Федерации

д-р. физ.-мат. наук, проф., профессор кафедры математики и моделирования систем Воронежского института МВД России

Валерия Олеговна Морозова, Воронежский институт Министерства внутренних дел Российской Федерации

адъюнкт 3-го года обучения Воронежского института МВД России

Литература

1. Banerjee A., Chandola V. and Kumar V. (2009) Anomaly detection: A survey. ACM Computing Surveys. 41. P. 15:1–15:58.
2. Agyemang M., Barker K. and Alhajj R. (2006) A comprehensive survey of numeric and symbolic outlier mining techniques. Intell. Data Anal. 10. P. 521–538.
3. Hodge V. and Austin J. (2006) A survey of outlier detection methodologies. Artif. Intell. Rev. 22. P. 85–126.
4. Sheikholeslami G., Chatterjee S. and Zhang A. (1998) WaveCluster: A Multi-Resolution Clustering Approach for Very Large Spatial Database. Proceedings of the International Conference on Very Large Databases. P. 428–439.
5. Buchatskaya V. V. (2013) Processing of anomalous values of time series levels as a stage of complex assessment of information in the forecasting subsystem for the situational center. Bulletin of the Adygea State University. P. 105–110. (in Russian)
6. Adam A., Rivlin E. and Shimshoni I. (2001) ROR: Rejection of Outliers by Rotation. IEEE Transaction on Pattern Analysis and Machine Intelligence. 23(1). P. 78–84.
7. Morozova V. O. and Menshikh V. V. (2021) Models of using qualitative values of statistical indicators in organisational management systems. 3rd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2021. P. 256–260. (in Russian)
8. Menshikh V. V. and Morozova V. O. (2021) Identification of anomalies in the dynamic series of legal statistics based on trend research. Criminological Journal. P. 124–126. (in Russian)
9. Morozova V. O. and Menshikh V. V. (2022) Identification and accounting of aperiodic anomalies in dynamic series with cyclic components. Proceedings of the International Scientific Conference «Actual problems of applied mathematics, computer science and mechanics». P. 662–666. (in Russian)
10. Danilova O. Yu., Menshikh V. V. and Sinegubov S. V. (2018) Legal statistics: methods and models : textbook. Voronezh : Voronezh Institute of the Ministry of Internal Affairs of Russia. (in Russian)
11. Borovkov A. A. (2010) Mathematical statistics: textbook. Moscow; St. Petersburg; Krasnodar : Lan. (in Russian)
12. Lyalin V. S. (2010) Legal statistics: textbook. Moscow : UNITY-DANA. (in Russian)
13. Ayvazyan S. A. and Mkhitaryan V. S. (1998) Applied statistics and fundamentals of econometrics: textbook. Moscow : UNITY. (in Russian)
14. Portal of legal statistics. – Available at: http://crimestat.ru/ (accessed: 10.02.2023).
15. Information on the state of crime in the Russian Federation for 2012–2022. – Available at: https://xn--b1aew.xn--p1ai/reports/item/21933965/ (accessed:10.10.2022).
Опубликован
2023-09-29
Как цитировать
Меньших, В. В., & Морозова, В. О. (2023). Численный метод исследования динамических рядов с апериодическими аномалиями. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (2), 22-30. https://doi.org/10.17308/sait/1995-5499/2023/2/22-30
Раздел
Математические методы системного анализа, управления и моделирования