Modele de serii de timp

Modelul unei serii de timp (yt) reproduce tiparul micrilor unei variabile n timp si
folosete acest tipar pentru a-I prezice viitoarele micari. Astfel se poate construi un model
simplificat al unei serii de timp care reprezint neliniaritatea i este util pentru predicie.
Acest studiu folosete tehnici cu unul sau mai multe variabile pentru prezicerea puterii
centalei eoliene. Metoda cu o singur variabila utilizeaza modelele: regresia linear,
aproximarea cu un polinom de grad oarecare, metoda mediei mobile, dar i un model
autoregresiv integrat al mediei mobile (ARIMA) avand doar puterea vntului ca variabil.
Metoda cu mai multe variabile utilizeaza modelul autoregresiv nelinear exogen (NARX)
folosind directia vntului, temperatura aerului, presiunea barometric si umiditatea relativ in
afar de viteza vntului.
Analiza multivariat permite utilizarea a diverse seturi de date in vederea luarii unei
decizii optime avnd la dispoziie toate informaiile.
Modele autoregressive integrate ale mediei mobile
Modelele ARIMA au fost folosite pentru diverse cazuri de predictie in serii de timp,
deoarece sunt solide, usor de inteles si implementat. Totusi, exista dificultai cu valori atipice
care influeneaz estimarea viitoarelor valori.
La inceputul anilor '70, modelele ARIMA erau aduse in atentia publicului de catre
Box si Jenkins, numele lor fiind asociate in general cu modelele ARIMA aplicate analizei
seriilor de timp si prognozei.
Sunt multe modele ARIMA. Modelul non-sezonier general este cunoscut ca
ARIMA(p,d,q), unde:
AR: p = ordinul de autoregresie al modelului;
I: d = gradul de diferentiere care face modelul stationar;
MA:q = ordinul mediei mobil al modelului.
Expresia liniar care definete notaia de mai sus este:
p

i=1

j=1

y t = i y ti + j e ti + t

unde

este cu scopul de a stabiliza variatia, i este ordinul parametrul autoregresiv de

ordinul ,

este parametrul mediei mobil de ordin j i et este termenul eroare la timpul t.

Modelele ARIMA sunt folosite pentru o gama larg de aplicaii de la inginerie la

economie.

Pentru cazurile cum ar fi o prezicerea necesarului de energie, viteza vntului si

comportamentul pieei de valori, aceste lucruri pot fi reprezentate printr-o serie de timp i cu
suficiente masuratori pot fi modelate cu acesta tehnica.
Metoda Box-Jenkins a fost urmata pentru a modela seria de timp de la Gemenele si
Bleni. Acesta este, in principiu, un proces cu 3 pasi iterativi: identificarea modelului,
estimarea parametrilor si verificarea diagnosticului:
Identificarea. Metodele de identificare sunt proceduri aproximative aplicate unui set de
date pentru a gsii un fel de model potrivit pentru de investigaii suplimentare. Aceasta
presupune determinarea valorilor adecvate pentru parametrii p i q i determinarea gradului de
difereniere, d, pentru a obine erori mici. n acest stadiu, graficele seriilor de timp original i,
graficele modelelor estimate prin autocorelaie sunt instrumente utile,
2. Estimarea. Avand o specificaie a modelul iniial, parametrii si sunt estimai pentru
probabilitatea maxim sau cu ajutorul metodei celor mai mici ptrate. Acestea sunt utilizate n
mod iterativ pornind de la valorile estimate n timpul etapei de identificare.
3. Verificarea de diagnosticare. Dup ce a identificat modelul i estimat parametrii si, sunt
folosite pentru controalele de diagnosticare pentru a descoperi inadvertenele sale i indic
mbuntiri adecvate. Sunt inspectate autocorelaia lor i valorile reziduale. n cazul n care
modelul este o alegere bun pentru baza de date, atunci reziduurile ar corespunde zgomotului
alb i autocorelaia ar fii mic.
Retea neuranala artificiala autoregresiv-neliniar cu intrari exogene (NARX)
Modelul NARX este un tip de reea neuronal artificial (RNA) dinamic recurent.
Reelele recurente au una sau mai multe bucle de feedback, care pot fi locale sau globale.
Bucle globale reduc cerinele de memorie de calcul.
Doua dintre aplicatiile de intrare-ieire sunt modele de modelare a semnalului i
modele de predicie ntr-o form de serii de timp. Avantajul cel mai evident al modelelor
NARX este c aceeai structur reprezint diferite modele i are deci un cost rezonabil calcul.
Astfel, o reea NARX poate obine grade de libertate atunci cnd aceasta include o serie de
timp ca intrare pentru prognoza perioadelelor ulterioare. Aceasta ofer informaii concise
variabilelor exogene s fie incluse, precum i un numr mai mic de reziduuri, ceea ce reduce
numrul de parametri care trebuie s fie estimai.
Reelele NARX au un proces de nvare mai eficient n comparaie cu alte tipuri de reele
neuronale (gradientul de nvare este mai bun). Aceste reele converg i generalizarea este
mbuntit n comparaie cu alte tipuri de reele [25].
Figura 4.15 prezint cea mai simpl arhitectura pentru un model NARX. Modelul n acest caz,
are doar o singur intrare, ceea ce reprezint valoarea variabilelor exogene, care asigur
intrarea unui numr q de neuroni de memorie ntrziai. Ea are o singur ieire y (t + 1), ceea
ce reprezint valoarea variabilei prezis cu un pas nainte.
Cu alte cuvinte, ieiea este cu o unitate de timp nainte de intrare. La rndul su,
ieirea ofer feedback la reea printr-un numr q de neuroni de memorie ntrziai.

Aceste dou linii alctuiesc stratul neuronal de intrare al unui perceptron multistrat.
Expresia de mai jos descrie comportamentul dinamic al modelului:
y ( n+1 )=F ( y ( n ) , , y ( nq+1 ) ,u ( n ) , , u ( nq+1 ) )
(4.15)
unde F este o funcie neliniar.
3.2.1. Algoritmul de nvare pentru Reeaua NARX
Funcia de performan utilizat n formarea RNA este eroarea medie patratic (MSE).
Pentru reeaua NARX, acesta are urmatoarea forma:
n
1
2
(e i) = (t i y i)2
n i=1
n
1
MSE=
n i=1
MSEreg = MSE+ ( 1 ) MSE
unde: ti = int, = raportul de performan i

MSEreg

este eroarea regresiei.

Aceast funcie de performan duce la distorsiuni mai mici n reea i, prin urmare,
face ca rspunsul mai omogen i mai puin probabil s se gaseasca valori cu mult peste.
Funcia de nvaare care se actualizeaz valorile exogene utilizeaz optimizarea LevenbergMarquardt, care a fost modificat pentru a include tehnica de regularizare.