Směrové statistiky v predikci kvaziperiodických časových řad

Abstract

V této práci navrhujeme metody predikce kvaziperiodických časových řad, které jsou založené na směrové statistice. Za-býváme se metodou momentů, EM algo-ritmem, Adaboostem R a neuronovými sí-těmi. Upřednostňujeme korektnost a vy-hýbáme se používání heuristických me-tod. Hledáme zcela nové modely a metody, takže jejich vlastnosti ukazujeme na ja-kýchkoli úlohách, včetně umělých, které ukazují, co by se mohlo stát, bez ohledu na to, zda to v konkrétní aplikaci opravdu hraje roli. Navržené metody testujeme na reálných datech a porovnáváme je s meto-dami: odhad průměrem, histogram, Fre-MEn a HyT-EM. Výsledky ukazují, že pro některá data jsou některé navržené metody statisticky významně lepší než metody FreMEn a HyT-EM.

In this thesis, we propose new methods for prediction of quasiperiodic time series which are based on directional statistics. We study the moment matching, EM algorithm, Adaboost R and neural networks. We emphasize correctness of the methods and avoid usage of heuristics. We search for completely new methods so we are showing their features on any tasks, including the artificial ones, which show what might happen regardless of the fact whether it actually plays a role in the specific application. We test the proposed methods on real data and compare them with the following methods: estimation by mean, histogram, FreMEn and HyTEM. The results show that some of the methods are statistically significantly better for some data than methods FreMEn and HyT-EM.