Adaptacyjne algorytmy detekcji zdarzeń w szeregach czasowych

Abstract

The dissertation focuses on an improvement of prediction of non- stationary time series with adaptive algorithms for event detection. Early warning of events in time series has direct impact on data processing quality and it is vital to accurate prediction. Effective detection is related to minimizing detection delay and fast estimation of statistical parameters of processed time series. The dissertation's author attempted to find possibilities of improving algorithmic analysis of wide data resources aimed at detection of events preceded long-term changes of time-series statistical properties and analysis of distributed environment with a diversified detectors set. The dissertation contains description of new immune-inspired event detection algorithms and complementary detectors of short-term changes in time series (such events appear simultaneously or have a lagged effect). Results of efficiency of proposed event detection methods computed with simulated and real data (financial time series) are presented. They show validity of proposed event-detection procedures and improvement of accuracy prediction based onlinear trend extrapolation. Rozprawa doktorska poświęcona jest konstrukcji algorytmów detekcji zdarzeń, ukierunkowanych na usprawnienie predykcji niestacjonarnych szeregów czasowych. Problem wczesnej sygnalizacji zdarzeń w szeregach ma bezpośredni wpływ na jakość prowadzonego przetwarzania danych. Związany jest on z minimalizowaniem opóźnienia detekcji bądź szybką estymacją parametrów statystycznych szeregu, co ma szczególne znaczenie dla uzyskiwania wiarygodnych prognoz. Autor podjął próbę poszukiwania możliwości usprawnień algorytmicznej analizy rozległych zasobów danych, ukierunkowanej na wykrywanie zdarzeń poprzedzających długoterminowe zmiany właściwości statystycznych szeregów czasowych, a także na rozproszoną analizę środowiska z wykorzystaniem zdywersyfikowanego zestawu detektorów (analizy przekrojowe). Praca zawiera opis algorytmu detekcji zdarzeń, inspirowanego działaniem naturalnych układów odpornościowych, oraz komplementarnych detektorów krótkoterminowych zmian w szeregach (pojawiających się współbieżnie bądź ze zmiennym opóźnieniem). Przedstawiono wyniki badań skuteczności zaproponowanych mechanizmów detekcji zdarzeń, przeprowadzone na danych symulowanych i rzeczywistych (danych giełdowych, dla których wykazano zwiększenie skuteczności średnioterminowej predykcji ekstrapolacyjnej), pokazujące zasadność przyjętej w pracy koncepcji.