Integrating forecasting of non-stationary processes represented by time series. overview

Cover Page

Cite item

Full Text

Abstract

The review covers the main directions and approaches to integration forecasting of non-stationary processes represented by time series. The key source of non-stationarity generation is rapid and poorly predictable changes in the external environment, under the influence of which structural shifts occur in the complex economic and socio-political processes. The solution of problems of forecasting the dynamics of such objects in the context of improving the accuracy of the forecast becomes more complex as the forecast horizon increases. It determines the need for models and methods capable of processing heterogeneous information. Integration methods are methods that allow, along with quantitative data, to take into account judgments (of forecasters, experts, analysts) and information from heterogeneous information sources at different stages of problem solving, and thus directly or indirectly include them in the forecast being formed. The development of such methods is aimed at increasing the accuracy of the forecast through the use of all available information about the forecasting object, including data on endogenic and exogenic factors of influence on it. The review focused on the current state of integration forecasting, on the existing problems and ways to solve them.

About the authors

Zinaida Konstantinovna Avdeeva

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: avdeeva@ipu.ru
Moscow

Svetlana Vadimovna Kovriga

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: kovriga@ipu.ru
Moscow

References

  1. АВДЕЕВА З.К., КОВРИГА С.В., ГРЕБЕНЮК Е.А. Анализ методов среднесрочного прогнозирования процессов со структурными сдвигами на финансовых и товарных рынках // Проблемы управления. – 2024. – №5 (в печати).
  2. АВДЕЕВА З.К., КОВРИГА С.В., ГРЕБЕНЮК Е.А. Фор-мирование среднесрочных помесячных прогнозов цен на сырье на основе экспертной и количественной информа-ции // Автоматизация в промышленности. – 2022. – №5. – С. 38–45.
  3. АВЕРКИН А.Н., ЯРУШЕВ С.А., ПАВЛОВ В.Ю. Когни-тивные гибридные системы поддержки принятия реше-ний и прогнозирования // Программные продукты и си-стемы. – 2017. – №4. – С. 632–642.
  4. АНДРИАНОВА Е.Г., ГОЛОВИН С.А., ЗЫКОВ С.В. и др. Обзор современных моделей и методов анализа времен-ных рядов динамики процессов в социальных, экономиче-ских и социотехнических системах // Russian Technologi-cal Journal. – 2020. – №8(4). – С. 7–45. – DOI: https://doi.org/10.32362/2500-316X-2020-8-4-7-45.
  5. АСТАФЬЕВА Е.В., ТУРУНЦЕВА М.Ю. Анализ возмож-ностей улучшения качества прогнозов цен на природные ресурсы методами комбинирования на основе регресси-онных оценок весов // Экономическое развитие России. – 2023. – Т. 30, №12. – С. 24–33.
  6. СЕМЕНОВ А.В. Анализ временных рядов в политической науке: возможности и ограничения // Политическая наука. – 2021. – №1. – С. 76–97.
  7. СУРКОВ А.А. Объединение экономических прогнозов с использованием экспертной информации // Статистика и экономика. – 2019. – №16(5). – С. 4–14.
  8. ФРЕНКЕЛЬ А.А., СУРКОВ А.А. Методологические под-ходы к улучшению точности прогнозирования путем объединения прогнозов // Вопросы статистики. – 2015. – №8. – С. 17–36.
  9. ЯРУШЕВ С.А., АВЕРКИН А.Н., ФЕДОТОВА А.В. Моду-лярная модель прогнозирования временных рядов на ос-нове нейро-нечетких сетей и когнитивного моделирова-ния // Нечеткие системы и мягкие вычисления. – 2017. – Т. 12, вып. 2. – С. 159–168.
  10. ABOLGHASEMI M., HURLEY J., ESHRAGH A. et al. De-mand forecasting in the presence of systematic events: Cases in capturing sales promotions // Int. Journal of Production Economics. – 2020. – Vol. 230. – 107892.
  11. ADYA M., LUSK E.J. Designing Effective Forecasting Deci-sion Support Systems: Aligning Task Complexity and Tech-nology Support / C. Jao (ed.) Decision Support Systems. – IntechOpen Limited. United Kingdom, 2012.
  12. ADYA M., LUSK E.J. Development and validation of a rule-based time series complexity scoring technique to support design of adaptive forecasting DSS // Decision Support Sys-tems. – 2016. – No. 83(3). – P. 70–82
  13. ARINZE B. Selecting appropriate forecasting models using rule induction // Omega. – 1994. – No. 22(6). – P. 647–658.
  14. ARMSTRONG J.S. Combining forecasts // In: Principles of Forecasting: A Handbook for Researchers and Practitioners / J.S. Armstrong (ed.). – Springer Nature, 2001. – P. 417–440.
  15. ARVAN M., FAHIMNIA B., REISI M. et al. Integrating hu-man judgement into quantitative forecasting methods: A re-view // Omega. – 2019. – Vol. 86. – P. 237–252. – DOI: https://doi.org/10.1016/j.omega.2018.07.012.
  16. AVDEEVA Z.K., GREBENYUK Е.А., KOVRIGA S.V. Raw Material Price Forecasting on Commodity Markets: Applica-tion of Expert and Quantitative Information // Advances in Systems Science and Applications. – 2022. – Vol 22, No. 4. – P. 126–143.
  17. AVDEEVA Z.K., GREBENYUK Е.А., KOVRIGA S.V. De-tection of structural shifts in commodity markets in the mode of situation and digital monitoring // IFAC-PapersOnLine. – 2023. – Vol. 56, Iss. 2. – P. 7778–7783.
  18. AZMY W.M., ATIYA A.F., EL-SHISHINY H. Forecast Combination Strategies for Handling Structural Breaks for Time Series Forecasting // In: Multiple Classifier Systems. MCS 2010. Lecture Notes in Computer Science / Eds.: N.E. Gayar, J. Kittler, F. Roli. – Springer, Berlin, Heidelberg. – 2010. – Vol. 5997. – DOI: https://doi.org/10.1007/978-3-642-12127-2_25.
  19. BADULESCU Y., CAÑAS F., CHEIKHROUHOU N. Judg-mental adjustment of demand forecasting models using so-cial media data and sentiment analysis within industry 5.0 ecosystems // Int. Journal of Information Management Data Insights. – 2024. – Vol. 4, Iss. 2. – 100272.
  20. BATES J.M., GRANGER C.W.J. The combination of fore-casts // Journal of the Operational Research Society. – 1969. – No. 20(4). – P. 451–468.
  21. BAYÜKŞAHINA Ü., ERTEKIN S. Improving forecasting accuracy of time series data using a new ARIMA-ANN hy-brid method and empirical mode decomposition // Neuro-computing. – 2019. – Vol. 361. – P. 151–163.
  22. BRUNHAM K.P., ANDERSON D.R. Model selection and multi-model inference: A practical information-theoretic ap-proach. – Springer-Verlag, Heidelberg, 2002. – 490 p.
  23. CHENG C., SA-NGASOONGSONG A., BEYCA O. et al. Time series forecasting for nonlinear and non-stationary processes: a review and comparative study // IISE Trans. – 2015. – Vol. 47(10). – P. 1053–1071.
  24. COLLOPY F., ARMSTRONG J.S. Rule-Based Forecasting: Development and Validation of an Expert Systems Approach to Combining Time Series Extrapolations // Management Science. – 1992. – No. 38(10). – P. 1394–1414.
  25. DE STEFANI J., BONTEMPI G. Factor-Based Framework for Multivariate and Multi-step-ahead Forecasting of Large-Scale Time Series // Front. Big Data. – 2021. – Vol. 4. – 690267.
  26. FELIX G., NÁPOLES G., FALCON R. et al. A review on methods and software for fuzzy cognitive maps // Artif Intell Rev. – 2019. – Vol. 52. – P. 1707–1737.
  27. FILDES R., GOODWIN P., LAWRENCE M. The design fea-tures of forecasting support systems and their effectiveness // Decision Support Systems. – 2006. – Vol. 42, Iss. 1. – P. 351–361.
  28. FRANSES F.H., VAN DIJK D. Combining expert adjusted forecasts // Journal of Forecasting. – 2019. – Vol. 38, Iss. 5. – P. 415–421.
  29. FULCHER B.D., JONES N.S. Highly comparative feature-based time-series classification // IEEE Trans. on Knowledge and Data Engineering. – 2014. – No. 26(12). – P. 3026–3037.
  30. GEORGAKIS A., PROFILIDIS V., BOTZORIS G.N. Fore-casting tourism demand using search engine data // Proc. of the 10th Int. Congress on Transportation Research (ICTR2021). – Rhodes, Greece. – 2021.
  31. GOODWIN P. Integrating management judgment and statis-tical methods to improve short-term forecasts // Omega. – 2002. –Vol. 30, Iss. 2. – P. 127–135.
  32. GOODWIN P., FILDES R. Forecasting with Judgment // In: The Palgrave Handbook of Operations Research / Eds.: S. Salhi, J. Boylan. – Palgrave Macmillan, Cham, 2022. – DOI: https://doi.org/10.1007/978-3-030-96935-6_16.
  33. GREBENYUK Е.А. Algorithms for Detecting Changes in the Properties of Non-Stationary Processes in the Monitoring Mode // Proc. of the 14th Int. Conf. "Management of Large-Scale System Development" (MLSD). – Moscow: IEEE. – 2021. – URL: https://ieeexplore.ieee.org/document/9600109.
  34. HOGARTH R.M., MAKRIDAKIS S. Forecasting and plan-ning: an evaluation // Management science. – 1981. – No. 27(2). – P. 115–138.
  35. HONG T., HAN I. Integrated approach of cognitive maps and neural networks using qualitative information on the World Wide Web: the KBNMiner // Expert Systems. – 2004. – No. 21(5). – P. 243–252.
  36. KOSKO B. Fuzzy cognitive maps // Int J Man Mach Stud. – 1986. – No. 24(1). – P. 65–75.
  37. LI X., KANG Y., LI F. Forecasting with time series imaging // Expert System with Applications. – 2020. – Vol. 160. – 113680.
  38. LIVIERIS I.E., PINTELAS P. A novel multi-step forecasting strategy for enhancing deep learning models’ performance // Neural Computing and Applications. – 2022. – Vol. 34. – P. 19453–19470.
  39. MAKRIDAKIS S., HOGARTH R., GAB A. Forecasting and uncertainty in the economic and business world // Int. Jour-nal of Forecasting. – 2009. – Vol. 25. – P. 794–812.
  40. MARMIER F., CHEIKHROUHOU N. Structuring and inte-grating human knowledge in demand forecasting: a judg-mental adjustment approach // Production Planning & Con-trol. – 2010. – No. 21(4). – P. 399–412.
  41. ORANG O., DE LIMA E SILVA P.C., GUIMARÃES F.G. Time series forecasting using fuzzy cognitive maps: A survey // Artif. Intell. Rev. – 2022. – DOI: https://doi.org/10.1007/s10462–022–10319–w.
  42. ORD J.K., FILDES R., KOURENTZES N. Principles of Business Forecasting. – Wessex Press Publishing Co, 2017.
  43. PERERA H.N., HURLEY J., FAHIMNIA B. et al. The hu-man factor in supply chain forecasting: A systematic review // European Journal of Operational Research. – 2019. – Vol. 274(2). – P. 574–600.
  44. PETROPOULOS F., KOURENTZES N., NIKOLOPOULOS K. et al. Judgmental selection of forecast-ing models // Journal of Operations Management. – 2018. – No. 60. – P. 34–46.
  45. PETROPOULOS F., APILETTI D. et al. Forecasting: theory and practice // Int. Journal of Forecasting. – 2022. – Vol. 38(3). – P. 705–871.
  46. POLAT С. Forecasting as a strategic decision-making tool: A review and discussion with emphasis on marketing man-agement // European Journal of Scientific Research. – 2008. – Vol. 20(2). – P. 419–442.
  47. PRUDÊNCIO R.B., LUDERMIR T.B. Meta-learning ap-proaches to selecting time series models // Neurocomputing. – 2004. – No. 61. – P.121–137.
  48. SAHOO D., SOOD N., RANI U. et al. Comparative Analysis of Multi-Step Time-Series Forecasting for Network Load Da-taset // Proc. of the 11th Int. Conf. on Computing, Commu-nication and Networking Technologies. – Kharagpur, India. – 2020. – P. 1–7. – DOI: https://doi.org/10.1109/ICCCNT49239.2020.9225449.
  49. SANDERS N.R., RITZMAN L.P. Bringing judgment into combination forecasts // J. Oper. Manag. – 1995. – No. 13. – P. 311–321.
  50. SANDERS N.R., RITZMAN L.P. Judgmental Adjustment of Statistical Forecasts // In: Principles of Forecasting: A Hand-book for Researchers and Practitioners / J.S. Armstrong (ed.). – Springer Nature, 2001. – P. 405–416.
  51. SHAN D., LU W., YANG J. The data-driven fuzzy cognitive map model and its application to prediction of time series // Int. Journal of Innovative Computing, Information and Con-trol. – 2018. – No. 14(5). – P. 1583–1602.
  52. TAIEB S., BONTEMPI G., ATIYA A. et al. A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition // Ex-pert System with Applications. – 2012. – Vol. 39(8). – P. 7067–7083. – DOI: https://doi.org/10.1016/j.eswa.2012.01.039.
  53. TAIEB S.B., ATIYA A.F. A bias and variance analysis for multistep-ahead time series forecasting // IEEE Trans. Neural Netw. Learn. Syst. – 2016. – No. 27. – P. 62–76.
  54. TANG L., ZHANG C., LI L. et al. A multi-scale method for forecasting oil price with multi-factor search engine data // Applied Energy. – 2020. – Vol. 257. – 114033. – DOI: https://doi.org/10.1016/j.apenergy.2019.114033.
  55. THOMSON M.E., POLLOCK A.C., ÖNKAL D. et al. Com-bining forecasts: Performance and coherence // Int. Journal of Forecasting. – 2019. – Vol. 35, Iss. 2. – P. 474–484.
  56. WANG X., HYNDMAN R.J., LI F. et al. Forecast combina-tions: An over 50-year review // Int. Journal of Forecasting. – 2023. – Vol. 39, Iss. 4. – P. 1518–1547. – DOI: https://doi.org/10.1016/j.ijforecast.2022.11.005.
  57. WEBBY R., O’CONNOR M., LAWRENCE M. Time-series forecasting using domain knowledge // In: Principles of Forecasting: A Handbook for Researchers and Practitioners / J.S. Armstrong (ed.). – Springer Nature, 2001. – P. 389–403.
  58. WEBBY R., O'CONNOR M., EDMUNDSON B. Forecasting support systems for the incorporation of event information: an empirical investigation // Int. J. Forecast. – 2005. – Vol. 21. – P. 411–423.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».