Адаптация k-means как средства автоматизации процесса прогнозирования слабоструктурируемых временных рядов экономической динамики

 WВ условиях растущего объема данных и увеличения сложности экономических взаимодействий возникает необходимость в применении более совершенных методов анализа и междисциплинарных подходов к исследованию систем со смешанным поведением. Интеллектуальные методы анализа, применяемые при машинном или глубоком обучениях, позволяют учитывать сложные паттерны и нелинейные зависимости в данных. Методы прикладной статистики предоставляют надежные подходы к проверке гипотез, оценки параметров моделей и интерпретации результатов. При рассмотрении разных систем со сложным поведением выявлено, что экономические процессы часто характеризуются нелинейностью, нестационарностью и наличием скрытых зависимостей. Кроме того, применение методов машинного обучения и глубокого анализа данных позволяет не только повысить точность прогнозов, но и выявить скрытые закономерности, которые могут быть упущены при использовании традиционных статистических подходов. Это особенно важно при исследовании финансовых рынков, где динамика изменений может быть крайне нестабильной и подверженной влиянию множества внешних факторов. Внедрение таких методов способствует повышению эффективности принятия решений в условиях неопределенности, что делает их незаменимыми инструментами для современных экономических исследований. Таким образом, исследования в данной области являются актуальным направлением, что подтверждается не только природой ряда, но и необходимостью поиска более совершенных методов анализа и прогнозирования. В статье приводится предварительный анализ, а также построение прогноза на базе линейного клеточного автомата. Методы прикладной статистики и интеллектуального анализа данных выступают инструментами в части анализа временного ряда, а также применяются в вопросе адаптации методов кластеризации как средства автоматизации прогнозной модели. Использование и встраивание в алгоритм линейного клеточного автомата известных методов кластеризации позволят, как показано авторами, выявить закономерности и повысить качество прогноза. Объектом исследования является временной ряд финансового рынка, поскольку данные экономические ряды демонстрируют влияние множества сложновыявляемых (по степени воздействия) факторов, таких как внешние шоки, сезонные колебания и долгосрочные тренды. По результатам исследования выяснено, что использование алгоритмов интеллектуального анализа позволяет автоматизировать процесс перевода числовых показателей временного ряда в лингвистический аналог для получения прогнозного значения без потери качества.