PROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI

Transkrypt

1 Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN Nr Maria Szmuksa-Zawadzka Zachodniopomorski Uniwersye Technologiczny w Szczecinie Sudium Maemayki Jan Zawadzki Zachodniopomorski Uniwersye Technologiczny w Szczecinie Kaedra Zasosowań Maemayki w Ekonomii jan.zawadzki@zu.edu.pl PROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI Sreszczenie: W pracy przedsawione zosało wykorzysanie wybranych modeli adapacyjnych w prognozowania zmiennych o bardzo wysokiej częsoliwości obserwowania, na podsawie szeregów z lukami niesysemaycznymi, z kórych wyeliminowano dwa lub rzy rodzaje sezonowości. Egzemplifikacją rozważań eoreycznych sanowi przykład empiryczny, doyczący kszałowania się zaporzebowania na moc energeyczną w okresach godzinnych w aglomeracji A. Słowa kluczowe: prognozowanie, dane o wysokiej częsoliwości, złożona sezonowość, wyrównywanie wykładnicze, luki w danych. Wprowadzenie Z rozważań przedsawionych w pracy [Szmuksa-Zawadzka, Zawadzki, 2015] wynika, że modele adapacyjne mogą być efekywnym narzędziem prognozowania na podsawie komplenych szeregów czasowych zmiennych ekonomicznych o wysokiej częsoliwości, oczyszczonych z dwóch lub rzech rodzajów sezonowości. Uzyskanie w ym względzie zachęcających wyników dla pełnych danych sało się asumpem do rozszerzenia rozważań na szeregi z lukami niesysemaycznymi, zn. akimi, gdy dysponuje się przynajmniej jedną informacją o każdym podokresie wahań składowych złożonej sezonowości. Procedura modelowania i prognozowania polega na wykorzysaniu do budowy prognoz modeli Hola-Winersa dla danych oczyszczonych z sezonowości rocznej i ygodniowej. Naomias w przypadku wyeliminowania akże wahań o cyklu

2 206 Maria Szmuksa-Zawadzka, Jan Zawadzki dobowym sosuje się modele Browna i Hola. Prognozy wyjściowe orzymuje się na podsawie predykorów dla danych oczyszczonych. Naomias prognozy końcowe są sumami (modele addyywne) lub iloczynami (modele muliplikaywne) prognoz wyjściowych i składników albo wskaźników sezonowości. Modele e są przysosowane dla danych oczyszczonych o wysokiej częsoliwości, są znanymi w lieraurze modelami dla wahań o niezłożonej sezonowości oraz dla zmiennych, w kórych wahania e nie wysępują. Ich zapisy można znaleźć w pracach badaczy [Diman, 2006; Pawłowski 1973; Zeliaś, Pawełek, Wana 2003]. Z uwagi na o, że zarówno zapisy ogólne modeli w posaci addyywnej oraz muliplikaywnej, jak i ich zapisy analiyczne podane zosały w pracy [Szmuksa-Zawadzka, Zawadzki, 2015], ograniczymy się do prezenacji modeli w posaci addyywnej. Zapis ogólny modelu addyywnego ze złożoną sezonowością jes nasępujący: ( a ) ( a ( ) () ) ( a ( ) ) Y a = P + M + D ( ) + G ( ) + V (1) gdzie: P ( a ) () rend ( M a ) () składniki sezonowości o cyklu 12-miesięcznym ( D a ) () składniki sezonowości o cyklu 7-dniowym ( G a ) () składniki sezonowości o cyklu 24-godzinnym. Oznaczając Y (a) przez zmienną prognozowaną, z kórej wyeliminowano składniki sezonowości o cyklu rocznym, ygodniowym i dobowym możemy zapisać analiycznie modele Browna i Hola. Równanie prosego modelu Browna (a_b) wyraża się wzorem: m = αy + ( 1 α ) m 1 (2) Predykor opary na ym modelu przyjmuje posać: Π = m (3) a B _ 0 gdzie 0 jes okresem wyjściowym budowy prognoz. Prognozę końcową orzymuje się na podsawie predykora: α Π = Π + M ( ) + D ( ) G ( ) a _ B a _ B + Równania liniowego modelu Hola (a_h) są nasępujące: m αy + α m δ δ ( a) ( 1 )( ) ( m m ) + ( β ) δ = 1 = β Predykory: wyjściowy dla horyzonu prognozy h = 1,2 oraz końcowy przyjmują posać: (4) (5) (6)

3 Prognozowanie brakujących danych dla szeregów 207 Π a H = m + δ 1 _ 0 0 Π a _ H = Π a _ H + M ( ) + D ( ) + G ( ) (8) Naomias w przypadku modelu Hola-Winersa eliminuje się dwa rodzaje wahań o cyklu rocznym i ygodniowym. Zmienną, z kórej wyeliminowano składniki sezonowości o cyklach wskazanych wyżej oznaczmy przez Y (a). Równania addyywnego modelu Hola-Winersa, uwzględniające wysępowanie wahań o cyklu dobowym o długości m, są nasępujące: * m = α ( Y C m ) + ( 1 α ) m 1 (9) δ1 = β ( m m 1) + ( 1 β ) δ1 1 (10) C = δ ( Y m ) + ( 1 δ ) C m (11) Predykor wyjściowy dla horyzonu prognozy h = 1,2 wyraża się wzorem: * * * Π a _ HW = m + δ o 1 h + C o o1+ h (12) Prognozę końcową wyznacza się na podsawie predykora: Π a _ HW = Π a _ HW + M ( ) + D ( ) (13) Jednym z ważnych zagadnień, wymagających rozsrzygnięcia jes wybór modelu adapacyjnego dla celów prognozowania, charakeryzującego się opymalnymi warościami sałych wygładzania (wyrównywania). W przypadku pełnych danych, wyboru ego można dokonać posługując się jednym z dwóch kryeriów (mierników), polegających na minimalizacji: przecięnych błędów względnych warości wyrównanych obliczanych dla dosępnych danych w przedziale czasowym próby (K WW ), przecięnych względnych ocen błędów prognoz eksrapolacyjnych, obliczanych dla okresu empirycznej weryfikacji prognoz (K EX ). W przypadku szeregów z lukami w grę wchodzi akże rzecie kryerium, minimalizujące przecięne względne oceny błędów prognoz inerpolacyjnych obliczonych dla podokresów, w kórych wysępowały luki (K IN ). Z uwagi na o, że modele ego samego rodzaju, charakeryzujące się minimalnymi ocenami mierników dla poszczególnych kryeriów dość częso mogą różnić się sałymi wygładzania. Konsekwencją ego faku będzie wysępowanie dość znacznych różnic błędów prognoz, zwłaszcza eksrapolacyjnych. W związku z ym, dla każdego z mierników należy obliczyć dwa pozosałe rodzaje mierników, odnoszące się do warości wyrównanych i/lub przynajmniej jednego rodzaju prognoz. Będą one oznaczone dodakowymi indeksami. Na przykład dla kryerium K WW będzie o K WW_IN i K WW_EX. h (7)

4 208 Maria Szmuksa-Zawadzka, Jan Zawadzki 1. Przykład empiryczny syneyczna charakerysyka zmiennej prognozowanej Egzemplifikacją rozważań eoreycznych będzie przykład empiryczny, doyczący modelowania i prognozowania zaporzebowania na moc energeyczną w aglomeracji A, na podsawie godzinnych szeregów czasowych oczyszczone z dwóch lub rzech rodzajów wahań sezonowości. Na rys. 1 przedsawione zosało kszałowanie się zmiennej prognozowanej za okres rzech la, przy czym rok rzeci będzie okresem empirycznej weryfikacji prognoz. MWh godziny Rys. 1. Kszałowanie się zaporzebowania na moc energeyczną (w MWh) Źródło: Bank Danych Kaedry. Poniżej zosanie przedsawione w sposób graficzny kszałowanie się ocen wskaźników oraz składników sezonowości o cyklu rocznym, ygodniowym i dobowym (rys. 2-4). W przypadku wahań o cyklu 12-miesięcznym (rys. 2) dodanie odchylenia sezonowe ocen wskaźników większe od jedności orzymano dla I i IV kwarału. Maksimum sezonowe przypada w syczniu. Nasępnymi miesiącami w kolejności są marzec oraz grudzień. Miesiącami o minimalnym zaporzebowaniu na moc są czerwiec i maj. Ampliuda wskaźników sezonowości wynosi ok. 40 p.p. (punków procenowych), a składników sezonowości ok. 140 MWh. Dodanie oceny odchyleń sezonowych wyznaczone dla cyklu ygodniowego (rys. 3) orzymano dla dni roboczych od poniedziałku do piąku. Maksimum sezonowym, wynoszącym ok. 14 MWh, charakeryzuje się piąek. Widoczna jes ro-

5 Prognozowanie brakujących danych dla szeregów 209 snąca endencja ocen dodanich w kolejnych dniach. Zdecydowanie najniższą ocenę składnika sezonowości, przekraczającą -40 MWh, orzymano dla niedzieli. Rozsęp wskaźników sezonowości wyniósł ok. 15 p.p. i był zdecydowanie niższy niż dla cyklu rocznego. Różnica skrajnych ocen składników sezonowości wynosiła ok. 55 MWh. 1,25 1,2 1,15 1,1 1,05 1 0,95 0,9 0,85 0,8 I II III IV V VI VII VIII IX X XI XII Miesiące Wskaźniki sezonowości Składniki sezonowości Rys. 2. Oceny składników i wskaźników sezonowości o cyklu rocznym 1,06 1,01 0,96 0,91 0,86 0,81 PN WT ŚR CZW PT SO ND Dni Wskaźniki sezonowości Składniki sezonowości Rys. 3. Oceny składników i wskaźników sezonowości o cyklu ygodniowym

6 210 Maria Szmuksa-Zawadzka, Jan Zawadzki Z kszałowania się ocen składników sezonowości dla cyklu 24-godzinnego wynika, że oceny ujemne orzymano dla godzin od 24 do 7 rano (rys. 4). Minimum sezonowe przyjmuje warość ujemną wynoszącą ok. 70 MWh i przypada na godz. 4 oraz 5. Z rysunku wynika akże, że w okresie zwiększonego zaporzebowania na moc energeyczną, przypadającego na godziny od 8 do 23, widoczne są dwa cykle związane odpowiednio: ze szczyem ranno-przedpołudniowym oraz popołudniowowieczornym. Maksymalne odchylenie sezonowe w pierwszym przypadku, wynoszące ok. 34 MWh, przypada na godzinę 12 (9,4 p.p. powyżej rendu). Szczy zaporzebowania na moc w drugim przypadku przypada na godzinę 20 oraz 21. Oceny składników sezonowości wynoszą ok. 37 MWh, j. ok. 10 p.p. powyżej rendu. Rozsęp ocen wskaźników sezonowości wynosi 29 p.p. i jes blisko dwukronie wyższy niż dla cyklu ygodniowego, a akże ok. 9 p.p. niższy niż dla cyklu rocznego. 1,15 1,1 1,05 1 0,95 0,9 0,85 0, Godziny Wskaźniki sezonowości Składniki sezonowości Rys. 4. Oceny składników i wskaźników sezonowości o cyklu 24-godzinnym 3. Wyniki modelowania i prognozowania W modelowaniu i prognozowaniu adapacyjnym zaporzebowania na moc energeyczną w aglomeracji A zosały wykorzysane godzinne szeregi czasowe, oczyszczone z dwóch lub rzech rodzajów wahań sezonowości. Rozparywany był jeden warian luki niesysemaycznych. Przyjęo założenie, iż luki wysępują w godzinach: 2, 6, 8, 10, 14, 16, 18 i , w okresie od 1 lipca roku pierwszego do 30 czerwca roku drugiego.

7 Prognozowanie brakujących danych dla szeregów 211 Liczba brakujących danych wynosiła 2920, co sanowiło 1/6 długości szeregu (16,64% z obserwacji). Do budowy prognoz na podsawie modeli Hola-Winersa w posaci addyywnej i muliplikaywnej wykorzysane zosały szeregi czasowe, oczyszczone z wahań o cyklu rocznym oraz ygodniowym ( Y ). Naomias prognozy na podsawie prosych modeli Browna i modeli Hola były budowane dla zmiennej, z kórej zosały wyeliminowane akże wahania o cyklu 24-godzinnym ( Y ). W ab. 1 zosały zesawione błędy prognoz iner- i eksrapolacyjnych, orzymanych na podsawie predykorów oparych na modelach Browna, Hola i Hola-Winersa w posaci addyywnej oraz muliplikaywnej o opymalnych warościach sałych wygładzania, minimalizujących poszczególne kryeria. Kolumna druga zawiera skróowe nazwy modeli poprzedzone symbolem a_ dla modeli addyywnych oraz m_ dla modeli muliplikaywnych. W celach porównawczych w wierszach poniżej podane zosały wielkości odpowiednich błędów, orzymanych na podsawie modeli dla pełnych danych (bez luk). Zosały one oznaczone wysępującymi po nazwach modeli dolnymi indeksami p. Ponado w dwóch osanich wierszach dla danych z lukami i bez luk, dla posaci addyywnej oraz muliplikaywnej, podane zosały mierniki dokładności warości eoreycznych (K WW ), prognoz eksrapolacyjnych (K EX ), a dla danych z lukami akże prognoz inerpolacyjnych (K IN ), orzymanych na podsawie klasycznych modeli szeregu czasowego z liniowym rendem i periodycznymi składnikami sezonowymi (a_kl, a_kl p ) oraz rendem wykładniczym o sałej sopie wzrosu, a akże relaywnie sałych wahaniach sezonowych (m_kl, m_kl p ). Z informacji zawarych w kolumnie szósej ab. 1 wynika, że minimalną oceną błędu warości wyrównanych (K WW ), wynoszącą 4,308%, charakeryzuje się predykaor opary na muliplikaywnym modelu Browna (m_b) dla sałej wygładzania α = 0,94. Jes ona o 0,325 p.p. wyższa od oceny błędu orzymanej dla modelu o ej samej posaci dla pełnych danych (m_b p ), ale dla sałej wygładzania α = 0,97. Najniższą ocenę błędu prognoz inerpolacyjnych dla ego kryerium (K WW_IN = 4,324%) orzymano dla addyywnego modelu a_b dla α = 0,96. Uzyskana ocena błędu dla modelu a_b jes ylko o 0,011 p.p. niższa od błędu dla modelu muliplikaywnego m_b. Najniższą ocenę błędu prognoz eksrapolacyjnych dla ego kryerium orzymano akże dla modelu m_b (K WW_EX = = 7,564%). Zwracają uwagę bardzo wysokie, przekraczające 80%, warości ego miernika orzymane dla: addyywnego modelu Hola (a_b) oraz obu posaci modelu Hola-Winersa (a_hw, m_hw).

8 212 Maria Szmuksa-Zawadzka, Jan Zawadzki Tabela 1. Oceny błędów warości wyrównanych, prognoz inerpolacyjnych i prognoz eksrapolacyjnych dla najlepszych modeli adapacyjnych Oznacze Model nie Warości wyrównane (WW) Prognozy inerpolacyjne (IN) Prognozy eksrapolacyjne (EX) Sałe wygładzania MAPE (w %) Sałe wygładzania MAPE (w %) Sałe wygładzania MAPE (w %) α β γ KWW KWW_IN KWW_EX α β γ K_IN KIN_WW KIN_EX α β γ KEX KEX_ww KEX_IN Modele addyywne Browna a_b 0, ,334 4,324 7,755 0, ,323 4,335 7,781 0, ,531 4,432 4,459 a_bp 0,, ,007 7,808 0, ,531 4,132 Hola a_h 0,20 0,01-5,568 5,550 91,758 0,20 0,01-5,550 5,568 91,758 0,18 0,04-7,536 5,740 5,720 a_hp 0,15 0,01-5,545 84,750 0,11 0,09-8,694 5,993 Hola-Winersa a_hw 0,15 0,01 0,14 4,639 6,053 83,436 0,15 0,01 0,09 6,017 4,689 50,267 0,08 0,01 0,07 8,047 4,975 6,267 a_hwp 0,15 0,01 0,14 4,453 83,436 0,08 0,01 0,07 8,047 4,820 Klas. szer. a_kl 6,905 6,539 8,208 Czasowego a_kl p 6,666 8,192 Modele muliplikaywne Browna m_b 0, ,308 4,335 7,564 0, ,334 4,308 7,590 0, ,254 4,465 4,584 m_bp 0, ,983 7,646 0, ,254 4,191 Hola m_h 0,20 0,01-5,302 5,429 8,850 0,20 0,01-5,429 5,302 8,850 0,15 0,01-8,071 5,454 5,516 m_hp 0,15 0,02-5,303 87,289 0,15 0,01-8,071 5,313 Hola-Winersa m_hw 0,15 0,01 0,14 4,454 6,069 94,868 0,15 0,01 0,11 6,061 4,470 83,173 0,11 0,01 0,01 7,081 6,181 6,307 m_hwp 0,15 0,01 0,14 4,288 94,870 0,11 0,01 0,01 7,068 5,927 Klas. szer. a_kl 6,663 6,544 7,653 Czasowego a_kl p 6,372 7,857

9 Prognozowanie brakujących danych dla szeregów 213 Dla pełnych danych bardzo wysokie błędy prognoz eksrapolacyjnych (K WW_EX ), oprócz rzech wyżej wymienionych modeli, orzymano akże dla muliplikaywnego modelu Browna (m_b p ). Minimalną ocenę błędu prognoz inerpolacyjnych (K IN ), wynoszącą 4,323%, orzymano na podsawie predykora oparego na addyywnym modelu Browna (a_b) dla α = 0,96. Dla modelu muliplikaywnego m_b i α = 0,95 była ona o 0,11 p.p wyższa. Oceny błędów ego rodzaju prognoz orzymanych dla pozosałych modeli są od 0,98 p.p. (m_h) do 1,738 p.p. (m_hw) wyższe. Oceny błędów K IN_EX dla addyywnej posaci modelu Hola i obu posaci modelu Hola-Winersa przyjmują, podobnie jak w przypadku kryerium K WW, bardzo wysokie warości. Zaware są one w przedziale od 50,267% dla modelu a_hw do 91,758% dla a_h. Najniższą ocenę błędu prognoz eksrapolacyjnych (K EX ), wynoszącą 7,081%, orzymano dla modelu Hola-Winersa w posaci muliplikaywnej (m_hw) o sałych wygładzania: α = 0,96, β = 0,01, γ = 0,01. Drugim w kolejności był model Browna o ej samej posaci (m_b) i sałej wygładzania α = 0,66 (7,254%). Jeszcze dwa modele w posaci addyywnej (a_b oraz a_h) charakeryzowały się ocenami w granicach 7,5%. Dla dwóch pozosałych (a_hw oraz m_h) przekroczyły one 8%. Z porównania ocen błędów dla kryerium (K EX ) dla danych z lukami i pełnych danych wynika, że z wyjąkiem modeli Hola w posaci addyywnej, orzymano nie ylko idenyczne oceny sałych wygładzania, ale akże idenyczne oceny błędów prognoz eksrapolacyjnych. Oznacza o, iż wysępowanie luk w danych w ośmiu okresach godzinnych od połowy roku pierwszego do połowy roku drugiego nie miało wpływu na warości i dokładność prognoz. W przypadku miernika K EX_WW, różnice e nie przekraczają 0,3 p.p. Należy zwrócić uwagę, że oceny błędów: warości wyrównanych (K EX_WW ) prognoz inerpolacyjnych (K EX_IN ) przyjęły warości ylko niewiele wyższe od minimalnych ocen błędów K WW oraz K IN. Oznacza o, że kryerium wyboru modelu dla celów prognozowania eksrapolacyjnego z całą pewnością nie mogą być predykory, opare na modelach Hola oraz Hola-Winersa. Ewenualnie mogą być brane pod uwagę niezależnie od posaci jedynie modele Browna. W ab. 1 podane zosały akże zarówno dla luk, jak i dla pełnych danych oceny błędów warości wyrównanych, prognoz inerpolacyjnych (dla luk) oraz eksrapolacyjnych, orzymanych na podsawie modeli klasycznych w posaci addyywnej (a_kl, a_kl p ) i muliplikaywnej (m_kl, m_kl p ). Średnie względne błędy warości eoreycznych (wyrównanych) dla modelu addyywnego i muliplikaywnego wynoszą odpowiednio: 6,905% oraz 6,663% i są one o ok. 2,3 p.p.

10 214 Maria Szmuksa-Zawadzka, Jan Zawadzki oraz 2,6 p.p. wyższe od orzymanych dla najlepszego modelu adapacyjnego (m_b) i jednocześnie o ok. 0,3 p.p. wyższe od orzymanych dla modeli bez luk (a_kl p, m_kl p ). W przypadku prognoz inerpolacyjnych względne ich błędy kszałują się na poziomie: 6,542% (a_kl) oraz 6,545% (m_kl) i są one wyższe od minimalnego średniego błędu prognoz orzymanego na podsawie addyywnych modeli Browna (a_b) o ok. 2,2 p.p.-2,3 p.p. W przypadku prognoz eksrapolacyjnych orzymanych na podsawie modelu w posaci muliplikaywnej, błąd en jes o 0,421 p.p. (6,6%) wyższy od błędu minimalnego orzymanego na podsawie modelu m_hw. Dla modelu addyywnego różnica a wynosi ok. 0,9 p.p. W ab. 2 zamieszczone zosały oceny błędów średnich prognoz inerpolacyjnych, orzymanych na podsawie najlepszych predykorów adapacyjnych (a_b oraz m_hw), w dezagregacji na godziny, dni ygodnia i miesiące. Tabela 2. Przecięne względne błędy prognoz zdezagregowanych Prognozy inerpolacyjne Prognozy eksrapolacyjne a_b m_kl m_hw m_kl m_kl p Liczba Zmienne 0, _0.01_ Błędy względne prognoz (MAPE) w % 4,323 6,544 7,068 7,653 7, G ,979 7,175 7,312 G ,087 6,574 6,190 6,973 7,672 G ,500 7,843 7,977 G ,548 8,519 8,657 G ,964 8,446 8,559 G ,335 7,335 8,394 8,106 9,000 G ,181 9,832 9,887 G ,365 8,195 9,431 10,001 10,661 G ,693 9,145 9,235 G ,581 6,023 6,421 7,071 7,400 G ,416 6,704 6,791 G ,707 6,952 7,039 G ,734 6,479 6,534 G ,684 5,401 5,655 5,940 6,005 G ,815 5,874 5,932 G ,644 6,072 6,162 6,212 6,697 G ,837 8,513 8,580 G ,857 7,415 9,638 8,979 9,237 G ,459 9,393 9,399 G ,398 9,235 9,238 G ,083 7,706 7,776 G ,034 5,332 6,090 6,129 6,263

11 Prognozowanie brakujących danych dla szeregów 215 cd. abeli G ,435 5,750 5,869 G ,907 6,699 6,842 PN 416 4,110 7,323 7,267 7,382 7,604 WT 416 4,308 6,613 6,372 7,343 7,578 ŚR 416 3,880 6,033 6,786 7,314 7,501 CZ 416 3,852 6,476 6,969 9,349 9,480 PT 416 4,130 5,451 6,790 8,149 8,375 SO 424 4,468 6,150 6,741 6,916 7,079 ND 416 5,514 7,766 8,566 7,133 7,394 STYCZEŃ 248 3,123 6,047 6,080 6,220 6,277 LUTY 224 3,126 4,764 5,250 8,101 8,507 MARZEC 248 2,788 5,299 10,968 9,128 9,712 KWIECIEŃ 240 3,597 6,907 6,168 7,163 7,467 MAJ 248 5,297 6,225 8,291 8,696 8,766 CZERWIEC 240 4,252 6,786 6,654 9,336 9,375 LIPIEC 248 4,994 5,700 7,782 7,439 7,912 SIERPIEŃ 248 5,544 8,191 6,306 6,536 6,717 WRZESIEŃ 240 5,044 7,006 5,673 7,225 7,291 PAŹDZIERNIK 248 5,356 6,275 6,050 5,930 5,974 LISTOPAD 240 4,354 7,538 6,453 6,972 7,199 GRUDZIEŃ 248 4,289 7,679 8,860 9,137 9,143 W celach porównawczych podane zosały, w akim samym układzie, błędy obu rodzajów prognoz, orzymanych na podsawie modelu klasycznego w posaci muliplikaywnej (m_kl). W kolumnie drugiej podano liczby prognoz inerpolacyjnych, obejmujących drugą połowę pierwszego roku oraz pierwszą połowę drugiego. Doyczyły one ylko ych godzin, w kórych wysępowały luki, j.: 2, 4, 6, 8, 10, 14, 18, 22. W przypadku godzin liczba prognoz odpowiada ilości dni w roku (365). Dla dni ygodnia jes ona iloczynem liczby ygodni w roku (52) oraz liczby luk w każdym dniu (8). W odniesieniu do miesięcy są one iloczynem liczby dni w poszczególnych miesiącach oraz liczby luk. Z porównania ocen błędów prognoz inerpolacyjnych dla godzin wynika, że dla predykora adapacyjnego (a_b) są one w siedmiu na osiem przypadków niższe od uzyskanych dla predykora klasycznego (m_kl). Różnice e zaware są w przedziale od 2,0 p.p. (godz. 6) do 3,83 p.p. (godz. 8). Jedynie dla godz. 22 lepszym o 0,702 p.p. okazał się predykor klasyczny. Dla wszyskich dni ygodnia bardziej efekywny okazał się predykor adapacyjny. Różnice ocen kszałowały się od 1,32 p.p. dla piąku do 3,213 p.p. dla poniedziałku. Podobnie syuacja wygląda w przypadku miesięcy. Wyższe dokładności prognoz adapacyjnych zaware były w przedziale od 0,706 p.p. dla lipca do 3,39 dla grudnia. Bardzo zbliżone oceny do różnicy maksymalnej orzymano akże dla kwienia (3,31 p.p.) oraz lisopada (3,184 p.p.).

12 216 Maria Szmuksa-Zawadzka, Jan Zawadzki Z uwagi na o, iż prognozy eksrapolacyjne doyczyły całego roku rzeciego ich liczba wynosiła 8760 (365 dni x 24 godziny). Jak wspomniano wcześniej przecięny błąd względny prognoz eksrapolacyjnych, orzymanych na podsawie predykora adapacyjnego (m_hw) wynosił 7,068% i był niższy o 0,421 p.p. (5,95%) od błędu prognoz dla predykora klasycznego (m_kl). Ta osania ocena była niższa o ok. 0,2 p.p. od oceny uzyskanej dla modelu klasycznego bez luk w danych (m_kl p ). Spośród 24 godzin, dla 18 niższe oceny błędów orzymano dla predykora adapacyjnego. Kszałowały się one w przedziale od 0,049 p.p. (dla godziny 16) do 1,971 p.p. (dla godz. 4) i 1,792 p.p. (dla godz. 24). Niższe oceny błędów prognoz dla modelu m_kl orzymano dla godz. 6 oraz godzin od 17 do 21. Różnice ocen zaware były w granicach do 0,065 (godz. 19) do 0,659 (godz. 18). Dla sześciu dni ygodnia bardziej efekywny okazał się model m_hw. Różnice ocen błędów kszałowały się w przedziale od 0,115 p.p. dla poniedziałku do 2,380 p.p. dla czwarku. Jedynie dla niedziel orzymano ocenę o 1,434 p.p. niższą dla predykora klasycznego. Dla 9 z 12 miesięcy bardziej efekywny okazał się predykor adapacyjny. Różnice ocen błędów zaware były w przedziale 0,14 p.p.-2,85 p.p. i doyczyły odpowiednio: sycznia oraz czerwca. Niższe oceny błędów dla predykaora klasycznego orzymano dla: marca (1,841 p.p.), lipca (0,343 p.p.) oraz października (0,12 p.p.). Podsumowanie Z przeprowadzonych w pracy rozważań można wyprowadzić nasępujące wnioski syneyczne: 1. Podsawą wyboru modelu dla celów prognozowania ex ane nie mogą być błędy warości wyrównanych (KWW), a akże błędy prognoz inerpolacyjnych (KIN), ponieważ minimalnym ich ocenom zazwyczaj odpowiadają bardzo duże błędy prognoz eksrapolacyjnych. Uwaga a odnosi się do modeli Hola i Hola-Winersa. 2. Kryerium wyboru powinny być oceny błędów prognoz eksrapolacyjnych ex pos. Minimalnym ocenom błędów ego rodzaju prognoz, odpowiadają nieznacznie wyższe od minimalnych oceny błędów warości wyrównanych oraz prognoz inerpolacyjnych. 3. Oceny błędów prognoz eksrapolacyjnych dla modeli adapacyjnych dla danych z lukami były zbliżone do błędów dla pełnych danych. 4. Prognozy eksrapolacyjne dla modeli adapacyjnych dla niesysemaycznych luk w danych oczyszczonych z sezonowości, pozwoliło na uzyskanie prze-

13 Prognozowanie brakujących danych dla szeregów 217 cięnego błędu prognoz o ok. 6,6 % niższego niż dla klasycznego modelu szeregu czasowego. W przypadku prognoz inerpolacyjnych różnica a wynosiła ok. 50%. 5. Tym samym powierdzona zosała użyeczność modeli adapacyjnych dla danych oczyszczonych z sezonowości w przypadku wysępowania niesysemaycznych luk w danych. Lieraura Dimann P. (2006), Prognozowanie w przedsiębiorswie. Meody i ich zasosowanie, Wolers Kluwer, Kraków. Pawłowski Z. (1973), Prognozowanie ekonomeryczne, PWN, Warszawa. Szmuksa-Zawadzka M., Zawadzki J. (2015), Wykorzysanie danych oczyszczonych o wysokiej częsoliwości w prognozowaniu zmiennych ze złożoną sezonowością, Meody Ilościowe w Badaniach Ekonomicznych Vol. 16, No. 4, Warszawa, s Zeliaś A., Pawełek B., Wana S. (2003), Prognozowanie ekonomiczne. Teoria, przykłady, zadania, Wydawnicwo Naukowe PWN, Warszawa. FORECASTING MISSING DATA FOR SEASONAL ADJUSTED HIGH FREQUENCY TIME SERIES Summary: In his paper was presened applicaion of seleced exponenial smoohing models in forecasing very high frequency variables on he basis of ime series wih unsysemaic gaps, from which wo or hree ypes of seasonal flucuaions were eliminaed. Exemplificaion of heoreical consideraions will be an empirical example, concerning he power demand in agglomeraion A in hourly periods. Keywords: forecasing, high frequency ime series, complex seasonaliy, exponenial smoohing, unsysemaic gaps.