Online Prediction Under Model Uncertainty Via Dynamic Model Averaging: Application to a Cold Rolling Mill

0093163 - ÚTIA 2008 US eng V - Výzkumná zpráva
Raftery, A. E. - Kárný, Miroslav - Andrýsek, Josef - Ettler, P.
Online Prediction Under Model Uncertainty Via Dynamic Model Averaging: Application to a Cold Rolling Mill.
[Online predikce za neurčitosti modelu použitím dynamického průměrování modelů: aplikace na válcování plechu za studena.]
Seattle: University of Washington, 2007. 25 s. Technical Report of the University of Washington, 525.
Grant CEP: GA AV ČR 1ET100750401; GA MŠMT 1M0572
Výzkumný záměr: CEZ:AV0Z10750506
Klíčová slova: Bayesian averaging * Multiple models * Prediction
Kód oboru RIV: BB - Aplikovaná statistika, operační výzkum

We consider the problem of online prediction when it is uncertain what the best prediction model to use is. We develop a method called Dynamic Model Averaging (DMA) in which a state space model for the parameters of each model is combined with a Markov chain model for the correct model. This allows the "correct" model to vary over time. The state space and Markov chain models are both specied in terms of forgetting, leading to a highly parsimonious representation. The method is applied to the problem of predicting the output strip thickness for a cold rolling mill, where the output is measured with a time delay.

Uvažujeme problém online predikce v situacích, kde je nejisté, který predkční model je nejlepší. Vyvinuli jsme metodu nazvanou Dynamické Průměrování Modelů (DPM) ve které kombinujeme stavový model na parametrech jednotlivých modelů s Markovovským řetězcem na ukazateli na správny model. To nám zajistí vývoj "spravného" modelu v čase. Stavový model a Markovský řetězec jsou formulovány pomocí zapomínání, což zajistí velmi úspornou reprezentaci. Metoda je aplikována na problém predikce výstupní tloušťky plechu ve válcovací stolici, kde je tato výstupní tloušťka přímo měřitelná pouze s podstatným časovým zpožděním.
Trvalý link: http://hdl.handle.net/11104/0153285