Проект посвящен созданию и реализации системы интеллектуального анализа и прогноза временных рядов. Существует много методов прогноза и анализа временных рядов. Методы делятся на параметрические и непараметрические. Для корректной работы параметрических методов нужно, чтобы временной ряд удовлетворял некоторой параметрической модели, как сигнал, так и шум. Типичный пример – задача параметрической регрессии. Такие методы часто хорошо поддаются автоматизации. Однако, если модель нарушена, то результаты будут неадекватными. Этим недостатком не обладают непараметрические методы, которые работают в отсутствие модели. Однако, для непараметрических методов есть очень большая свобода в выборе их параметров (у временного ряда нет параметров, а вот у применяемых методов они есть); также сложен переход к таким задачам, как, например, прогнозирование в силу того, что вид структуры ряда не формализован.
Есть класс методов, к которым относится и метод анализа сингулярного спектра (singular spectrum analysis), основанный на анализе подпространства сигнала. Большим преимуществом данного метода является то, что он может иметь дело как с моделью сигнала (ряды, управляемые линейными рекуррентными соотношениями), так и с адаптивным подходом, в частности, с частотной фильтрацией. При этом заранее не нужно задавать модель ряда – принять решение о том, речь идет о параметрической модели или о непараметрическом, можно уже потом, после применения первого этапа метода. В то же время, методы, основанные на подпространстве сигнала, позволяют параметризовать обнаруженную структуру в ряде. При большом числе преимуществ у методов типа анализа сингулярного спектра есть существенный недостаток, заключающийся в том, что базовый вариант метода нуждается в ручном управлении и визуальной идентификации для получения разложения на интерпретируемые компоненты с целью последующего прогноза или оценки параметров.
Данный проект направлен на разработку системы методов, позволяющий автоматизировать применение методов, основанных на подпространстве сигнала, для таких задач как выделение тренда, обнаружение периодичностей, оценку частот, прогноз, обнаружение разладки, заполнение пропусков. Это позволит значительно расширить применение методов типа анализа сингулярного спектра для решения практических задач.