Обзор современных моделей и методов анализа временных рядов динамики процессов в социальных, экономических и социотехнических системах
Аннотация
Описаны направления перспективных исследований в области анализа и моделирования динамики временных рядов процессов в сложных системах с присутствием человеческого фактора. Динамика процессов в таких системах описывается нестационарными временными рядами. Прогнозирование эволюции подобных систем имеет большое значение для управления процессами в социальных (избирательные кампании), экономических (фондовые, фьючерсные и сырьевые рынки) и социотехнических системах (социальные сети). Приведены общие сведения о временных рядах и задачах их анализа. Рассмотрены современные методы анализа временных рядов для экономических процессов. Результаты показывают, что экономические процессы нельзя считать полностью случайными, так как они имеют тенденцию к самоорганизации и, кроме того, подвержены влиянию памяти о предыдущих состояниях. Выявлено, что одной из главных задач при моделировании процессов в социотехнических системах (например, социальных сетях) является разработка математического аппарата для приведения данных к единой шкале измерений. Проанализированы современные модели анализа и прогнозирования электоральных процессов на основе анализа временных рядов: структурные, опросные, гибридные. На основе проведенного анализа рассмотрены их достоинства и недостатки. В заключении подтвержден вывод, что для описания процессов в сложных системах с наличием человеческого фактора помимо традиционных факторов, необходимо разрабатывать и использовать методы и инструментальные средства для учета возможности самоорганизации человеческих групп и наличия памяти о предыдущих состояниях системы.
Об авторах
Е. Г. Андрианова
МИРЭА – Российский технологический университет
Россия
Россия
Андрианова Елена Гельевна, кандидат технических наук, доцент, доцент кафедры корпоративных информационных систем Института информационных технологий. Scopus Author ID: 57200555430
119454, Москва, пр-т Вернадского, д. 78
С. А. Головин
МИРЭА – Российский технологический университет
Россия
Россия
Головин Сергей Анатольевич, доктор технических наук, профессор, заведующий кафедрой математического обеспечения и стандартизации информационных технологий Института информационных технологий
119454, Москва, пр-т Вернадского, д. 78
С. В. Зыков
НИУ «Высшая школа экономики»
Россия
Россия
Зыков Сергей Викторович, доктор технических наук, доцент, профессор Департамента программной инженерии факультета компьютерных наук. Scopus Author ID: 36146486900
101000, Россия, г. Москва, ул. Мясницкая, д. 20
С. А. Лесько
МИРЭА – Российский технологический университет
Россия
Россия
Лесько Сергей Александрович, кандидат технических наук, доцент кафедры «Управление и моделирование систем» Института комплексной безопасности и специального приборостроения. Scopus Author ID: 57189664364
119454, Москва, пр-т Вернадского, д. 78
Е. Р. Чукалина
МИРЭА – Российский технологический университет
Россия
Россия
Чукалина Екатерина Романовна, магистрант кафедры корпоративных информационных систем Института информационных технологий
119454, Москва, пр-т Вернадского, д. 78
Список литературы
1. Авзалова Э.И. Интернет-коммуникации в избирательной кампании США. Известия Иркутского государственного университета. Серия «Политология. Религиоведение». 2017;22:185-194.
2. Курс Д. Парламентские выборы в Израиле 2015 г.: причины, результаты и тенденции. 8 июня 2015. Институт Ближнего Востока. [Электронный ресурс]: режим доступа – свободный (дата обращения: 14.11.2019). URL: http://www.iimes.ru/?p=24736
3. Родин А. Небесная сеть: почему новый проект Маска — вызов для России. 17 февраля 2018 г. РБК. Мнение. [Электронный ресурс]: режим доступа – свободный (дата обращения: 14.11.2019). URL: https://www.rbc.ru/opinions/technology_and_media/17/02/2018/5a86a1559a79473fe79a5813
4. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление: пер. с англ. М.: Мир, 1974. 248 с.
5. Льюис К.Д. Методы прогнозирования экономических показателей: пер. с англ. М.: Финансы и статистика, 1986. 130 с.
6. Боровков А.А. Математическая статистика. М.: Физматлит, 2007. 704 с. ISBN 978-5-94052-141-X
7. Кендалл М., Стюарт А. Статистические выводы и связи: пер. с англ. М.: Наука, 1973. 900 с.
8. Кендалл М., Стюарт А. Многомерный статистический анализ и временные ряды: пер. с англ. М.: Наука, 1976. 736 с.
9. Уилкс С. Математическая статистика: пер. с англ. М.: Наука, 1967. 632 с.
10. Кобзарь А.И. Прикладная математическая статистика. М.: Физматлит, 2006. 816 с. ISBN 5-9221-0707-0
11. Каган А.М., Линник Ю.В., Рао С.Р. Характеризационные задачи математической статистики. М.: Наука, 1972. 248 с.
12. Foster F.G., Stuart A. A distribution-free test in time series dated on the breaking of records. JRSS. 1954;B16(1):1-22. https://doi.org/10.1111/j.2517-6161.1954.tb00143.x
13. Орлов Ю.Н., Шагов Д.О. Индикативные статистики для нестационарных временных рядов. Препринты ИПМ им. М.В. Келдыша. 2011;053:20.
14. Гнеденко Б.В. Курс теории вероятностей. М.: Физматлит, 1961. 406 с.
15. Шугай Ю.С. Нейросетевые алгоритмы прогнозирования событий и поиска предвестников в многомерных временных рядах. Искусственный интеллект. 2004;2:211–215.
16. Ермаков С.М. Метод Монте-Карло и смежные вопросы. М.: Наука, 1975. 471 с.
17. Ермаков С.М., Михайлов Г.А. Статистическое моделирование. М.: Наука, 1982. 296 с.
18. Кожевников А.С. Программное обеспечение для статистического моделирования и анализа случайных процессов со скачками, описывающих динамику цен акций предприятий авиационной отрасли. Труды МАИ. 2012:59:230-242.
19. Khadjeh Nassirtoussi A., Ying Wah T., Ngo Chek Ling D. A novel FOREX prediction methodology based on fundamental data. Afr. J. Bus. Manag. 2011;5(20):8322-8330. https://doi.org/10.5897/AJBM11.798
20. Anastasakis L., Mort N. Exchange rate forecasting using a combined parametric and non-parametric selforganising modelling approach. Expert Sys. Appl. 2009;36(10):12001-12011. https://doi.org/10.1016/j.eswa.2009.03.057
21. Vanstone B., Finnie G. Enhancing stockmarket trading performance with ANNs. Expert Sys. Appl. 2010;37(9):6602-6610. https://doi.org/10.1016/j.eswa.2010.02.124
22. Vanstone B., Finnie G. An empirical methodology for developing stockmarket trading systems using artificial neural networks. Expert Sys. Appl. 2009;36(3):6668-6680. https://doi.org/10.1016/j.eswa.2008.08.019
23. Sermpinis G., Laws J., Karathanasopoulos A., Dunis C. L. Forecasting and trading the EUR/USD exchange rate with gene expression and psi sigma neural networks. Expert Sys. Appl. August 2012;39(10):8865-8877. https://doi.org/10.1016/j.eswa.2012.02.022
24. Huang S.-C., Chuang P.-J., Wu C.-F., Lai H.-J. Chaos-based support vector regressions for exchange rate forecasting. Expert Sys. Appl. 2010;37(12):8590-8598. https://doi.org/10.1016/j.eswa.2010.06.001
25. Premanode B., Toumazou C. Improving prediction of exchange rates using differential EMD. Expert Sys. Appl. 2013;40(1):377-384. https://doi.org/10.1016/j.eswa.2012.07.048
26. Bahrepour M., Akbarzadeh T. M-R., Yaghoobi M., Naghibi S. M.-B. An adaptive ordered fuzzy time series with application to FOREX. Expert Sys. Appl. 2011;38(1):475-485. https://doi.org/10.1016/j.eswa.2010.06.087
27. Mabu S., Hirasawa K., Obayashi M., Kuremoto T. Enhanced decision making mechanism of rule-based genetic network programming for creating stock trading signals. Expert Sys. Appl. 2013;40(16):6311-6320. https://doi.org/10.1016/j.eswa.2013.05.037
28. Орлов Ю.Н., Осминин К.П. Нестационарные временные ряды: методы прогнозирования с примерами анализа финансовых и сырьевых рынков. М.: ЛИБРОКОМ, 2011. 384 с. ISBN 978-5-397-071272-7
29. Орлов Ю.Н., Федоров С.Л. Генерация нестационарных траекторий временного ряда на основе уравнения Фоккера–Планка. ТРУДЫ МФТИ. 2016;8(2):126-133.
30. Fuentes M. Non-Linear Diffusion and Power Law Properties of Heterogeneous Systems: Application to Financial Time Series. Entropy. 2018;20(9):649. https://doi.org/10.3390/e20090649
31. Gunawardana A., Meek C., Xu P. A Model for Temporal Dependencies in Event Streams. Microsoft Research. 2011. 8 p. https://www.microsoft.com/en-us/research/publication/a-model-for-temporal-dependencies-in-event-streams/
32. Suraj Singh Chouhan, Ravi Khatri. Data Mining based Technique for Natural Event Pre-diction and Disaster Management. International Journal of Computer Applications (IJCA). 2016;139(14):34-39. https://doi.org/10.5120/ijca2016909102
33. Radinsky K., Horvitz E. Mining the Web to Predict Future Events. In: Proceedings of the 6th ACM International Conference on Web Search and Data Mining. ACM. 2013. P. 255-264. https://doi.org/10.1145/2433396.2433431
34. Chatrath A., Miao H., Ramchander S., & Villupuram S. Currency jumps, cojumps and the role of macro news. J. Int. Money Financ. February 2014;40:42-62. https://doi.org/10.1016/j.jimonfin.2013.08.018
35. Huang C.-J., Liao J.-J., Yang D.-X., Chang T.-Y., & Luo Y.-C. Realization of a news dissemination agent based on weighted association rules and text mining techniques. Expert Sys. Appl. 2010;37(9):6409-6413. https://doi.org/10.1016/j.eswa.2010.02.078
36. Robertson C., Geva S., & Wolff R. What types of events provide the strongest evidence that the stock market is affected by company specific news? In: Proc. Fifth Australasian Data mining conference (AusDM2006). 2006;61:145-153.
37. Preethi P.G., Uma V., Ajit Kumar. Temporal Sentiment Analysis and Causal Rules Extraction from Tweets for Event Prediction. Procedia Computer Science. 2015;48:84-89. https://doi.org/10.1016/j.procs.2015.04.154
38. Gerber M.S. Predicting crime using Twitter and kernel density estimation. Decis. Support Syst. 2014;61(1):115-125. https://doi.org/10.1016/j.dss.2014.02.003
39. Квейд Э. Анализ сложных систем. М.: Советское радио, 1969. 512 с.
40. Баскакова Ю.М., Дёмин А.А., Лашук Н.Е., Терентьева Н.Н. Американские практики электорального прогнозирования. Доклад по результатам исследования ВЦИОМ. М.: ОАО «Всероссийский центр изучения общественного мнения», 2016. 40 с. ISBN 978-5-9905970-5-1
41. Материалы круглого стола Общественной палаты РФ «Математика на службе избирателей», Пресс-служба Общественной палаты РФ. [Электронный ресурс]: режим доступа – свободный (дата обращения: 14.02.2019). URL: https://www.oprf.ru/press/news/2018/newsitem/44277
42. Толстова Ю.Н. Математическое моделирование социальных процессов и социология. Социологические исследования. 2018;9:104-112. https://doi.org/10.31857/S013216250001965-4
43. Толстова Ю.Н. Соотнесение теоретического и эмпирического знания при использовании математических методов в социологическом исследовании. Социологические исследования. 2018;12:39-48. https://doi.org/10.31857/S013216250003164-3
44. Walther D. Picking the winner(s): Forecasting elections in multiparty systems. Elect. Stud. December 2015;40:1-13. https://doi.org/10.1016/j.electstud.2015.06.003
45. Kryshtanovskii A.O. The Russian population's attitude toward the president's activities. Russian Politics & Law. 1995;33(6):61-68. https://doi.org/10.2753/RUP1061-1940330661
46. Крыштановский А. Методы анализа временных рядов. Мониторинг общественного мнения: экономические и социальные перемены (4M). 2000;2(46):44-51.
47. Крыштановский А.О. «Кластеры на факторах» – об одном распространенном заблуждении. Социология: Методология, методы, математические модели. 2005;21:172-187.
48. Крыштановский А.О. Ограничения метода регрессионного анализа. Социология: Методология, методы, математические модели. 2000;12:96-112.
49. Bonica A.A., Rosenthal H.B., Rothman D.J.C. The political polarization of physicians in the United States: An analysis of campaign contributions to federal elections, 1991 through 2012. JAMA Internal Medicine. 2014;174(8):1308-1317. https://doi.org/10.1001/jamainternmed.2014.2105
50. Panagopoulos C. The dynamics of voter preferences in the 2010 congressional midterm elections. Forum. 2010;8(4):Article number 9. https://doi.org/10.2202/1540-8884.1402
51. Чуров В.Е., Арлазаров В.Л., Соловьев А.В. Итоги выборов. Анализ электоральных предпочтений. Труды Института системного анализа Российской Академии Наук. 2008;38:6-22.
52. Foucault M., Nadeau R. Forecasting the 2012 French Presidential Election. PS: Political Science & Politics. April 2012;45(2):218-222. https://doi.org/10.1017/S1049096512000066
53. Healy A., Lenz G.S. Substituting the end for the whole: Why voters respond primarily to the election-year economy. American Journal of Political Science. January 2014;58(1):31-47. https://doi.org/10.1111/ajps.12053
54. Gormley I.C., Murphy T.B. A grade of membership model for rank data. Bayesian Analysis. 2009;4(2):265-296. https://doi.org/10.1214/09-BA410
55. Докторов Б. Главная проблема Обамы – не республиканцы, но экономика (Аналитики избирательной кампании активно изучают прошлое для предсказания будущего). 11 Сентября 2011. [Электронный ресурс]: режим доступа – свободный (дата обращения: 14.02.2019). URL: https://fom.ru/special/kto-stanet-prezidentom-ssha/10161
56. Erikson R.S.A., Panagopoulos C.B., Wlezien C.D. Likely (and unlikely) voters and the assessment of campaign dynamics. Public Opin. Quart. 2004;68(4):588-601. https://doi.org/10.1093/poq/nfh041
57. Dassonneville R. Electoral volatility, political sophistication, trust and efficacy: A study on changes in voter preferences during the Belgian regional elections of 2009. Acta Politica. 2012;47(1):18-41. https://doi.org/10.1057/ap.2011.19
58. Dewan T.A., Shepsle K.A.B. Political economy models of elections. Annu. Rev. Polit. Sci. 2011;14(1):311-330. https://doi.org/10.1146/annurev.polisci.12.042507.094704
59. Mundim P.S. The press and the vote in the 2002 and 2006 Brazilian presidential campaigns [Imprensa e voto nas eleições presidenciais Brasileiras de 2002 e 2006]. Revista de Sociologia e Politica. 2012;20(41):123-147. https://doi.org/10.1590/S0104-44782012000100009
60. Hillygus S.D. The evolution of election polling in the United States. Public Opin. Quart. 2011;75(5):962-981. https://doi.org/10.1093/poq/nfr054
61. Cassino D. How Today's Political Polling Works. Harvard Business Review. August, 2016. https://hbr.org/2016/08/how-todays-political-polling-works
62. Wright Fred A., Wright Alec A. How surprising was Trump's victory? Evaluations of the 2016 U.S. presidential election and a new poll aggregation model. Electoral Studies. August 2018;54:81-89. https://doi.org/10.1016/j.electstud.2018.05.001
63. Erikson R.S., Wlezien C. Forecasting the Presidential Vote with Leading Economic Indicators and the Polls. PS: Political Science & Politics. October 2016;49:669-672. https://doi.org/10.1017/S1049096516001293
64. Kennedy C., Blumenthal M., Clement S., Clinton J.D., Durand C., Franklin C., McGeeney K. An Evaluation of the 2016 Election Polls in the United States. Public Opin. Quart. March 2018;82(1):1-33. https://doi.org/10.1093/poq/nfx047
65. Fisher S.D., Ford R., Jennings W., Pickup M., Wlezien C. From polls to votes to seats: Forecasting the 2010 British general election. Electoral Studies. June 2011;30(2):250-257. https://doi.org/10.1016/j.electstud.2010.09.005
66. Linzer D.A. Dynamic Bayesian forecasting of presidential elections in the states. J. Am. Stat. Assoc. 2013;108(501):124-134. https://doi.org/10.1080/01621459.2012.737735
67. Walther D., Hellström J. The verdict in the polls: how government stability is affected by popular support. West European Politics. 2019;42(3):593-617. https://doi.org/10.1080/01402382.2018.1490598
68. Belenky A.S., Kingc D.C. A mathematical model for estimating the potential margin of state undecided voters for a candidate in a US Federal election. Math. Comput. Model. March 2007;45(5-6):585-593. https://doi.org/10.1016/j.mcm.2006.07.007
69. Norpoth H., Gschwend T. The chancellor model: Forecasting German elections. Int. J. Forecasting. JanuaryMarch 2010;26(1):42-53. https://doi.org/10.1016/j.ijforecast.2009.02.008.
70. Montalvo J.G., Papaspiliopoulos O., Stumpf-Fétizon T. Bayesian Forecasting of Electoral Outcomes with new Partiesʼ Competition. Barcelona Graduate School of Economics. Working Papers 1065. February 4, 2019. [Электронный ресурс]. https://ideas.repec.org/p/bge/wpaper/1065.html.
Описаны направления перспективных исследований в области анализа и моделирования динамики временных рядов процессов в сложных системах с присутствием человеческого фактора. Динамика процессов в таких системах описывается нестационарными временными рядами. Прогнозирование эволюции подобных систем имеет большое значение для управления процессами в социальных (избирательные кампании), экономических (фондовые, фьючерсные и сырьевые рынки) и социотехнических системах (социальные сети).
Подтвержден вывод, что для описания процессов в сложных системах с наличием человеческого фактора помимо традиционных факторов, необходимо разрабатывать и использовать методы и инструментальные средства для учета возможности самоорганизации человеческих групп и наличия памяти о предыдущих состояниях системы.Для цитирования:
Андрианова Е.Г., Головин С.А., Зыков С.В., Лесько С.А., Чукалина Е.Р. Обзор современных моделей и методов анализа временных рядов динамики процессов в социальных, экономических и социотехнических системах. Российский технологический журнал. 2020;8(4):7-45. https://doi.org/10.32362/2500-316X-2020-8-4-7-45
For citation:
Andrianova E.G., Golovin S.A., Zykov S.V., Lesko S.A., Chukalina E.R. Review of modern models and methods of analysis of time series of dynamics of processes in social, economic and socio-technical systems. Russian Technological Journal. 2020;8(4):7-45. (In Russ.) https://doi.org/10.32362/2500-316X-2020-8-4-7-45
Просмотров: 160
Послать статью по эл. почте 