ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Разработка программного комплекса адаптивного нейропрогнозирования

Working out of the program complex adaptive neuro-forecasting
Статья опубликована в выпуске журнала № 1 за 2010 год.[ 22.03.2010 ]
Аннотация:Предлагается комплексный подход к повышению качества нейросетевых моделей прогноза за счет использования методов предобработки временных рядов, контроля адекватности прогнозных моделей и их адаптации. Данный подход реализуется в разработанном аналитическом программном комплексе.
Abstract:The article proposes an integrated approach to improve the quality of neural network prediction models by using the methods of preprocessing time series, monitoring the adequacy of predictive models and their adaptation. This approach is implemented in the existing analytical software package.
Авторы: Пятковский О.И. (poi1952@mai.ru) - Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул, , , доктор технических наук, Авдеев А.С. ( ishimael@bk.ru) - Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул, ,
Ключевые слова: адаптивные модели прогнозирования, нейронные сети, прогнозирование временных рядов
Keywords: adaptive forecasting models, neural network, forecasting time series
Всего комментариев: 1
Количество просмотров: 7806
Версия для печати
Выпуск в формате PDF (4.03Мб)
Скачать обложку в формате PDF (1.25Мб)

Размер шрифта:       Шрифт:

Эффективное управление предприятием невозможно без решения задач прогнозирования различных технико-экономических показателей. Существует большое количество математических моделей временных рядов, решающих задачу прогнозирования, в том числе на базе аппарата искусственных нейронных сетей [1]. При использовании данных моделей возникает необходимость в адаптивном прогнозе. В связи с этим актуальной является разработка новых методов, алгоритмов и программно-математических инструментариев на их основе, делающих возможным получение эффективных прогнозных моделей с механизмом адаптации.

Цель работы – разработка программного комплекса адаптивного нейропрогнозирования временных рядов на примере объемов продаж автомобилей. Общая структура информационных систем (ИС), использующих интеллектуальные аналитические модули, показана на рисунке 1. Интеллектуальные модули представлены в виде гибридных экспертных систем {ГЭС1, ГЭС2,..., ГЭСH}, в которых используются нейросетевые адаптивные блоки {НС1, НС2,..., НСG} с модулями датчиков {МД1, МД2, …,МДn} [2]. На вход датчиков поступают измеряемые показатели процесса, на основе которых рассчитываются коэффициенты {K1,K2,…,Km}; значения коэффициентов используются модулями принятия решений {МПРД1, МПРД2, …,МПРДn}. Далее они поступают в блок принятия решения более высокого уровня для управления работой интеллектуального блока.

Подпись:  Рис. 1. Архитектура информационных системс адаптаптивными интеллектуальными компонентамиПредставленная система позволяет осуществлять контроль за следующими этапами создания прогнозной нейросетевой модели: проверка однородности данных, фильтрация ряда, повышение информативности данных, погружение ряда, формирование комитета сетей. На рисунке 2 представлена модель нейросетевого блока с адаптивными датчиками.

В состав каждого контролирующего блока входят модуль датчика, перечень рассчитываемых коффициентов, а также модуль принятия решений, в котором в виде правил продукции заложен алгоритм действий в зависимости от значений коэффициентов.

С помощью методов фильтрации снижается размерность ряда, отделяются трендовые изменения от нетрендовых. В модели используются следующие методы фильтрации: скользящее среднее, экспоненциальное сглаживание, вейвлет-преобразование. Алгоритм датчика позволяет выбрать метод фильтрации на основании следующих критериев:  – средняя абсолютная ошибка;  – максимальная абсолютная ошибка;  – средняя ошибка;  – коэффициент детерминации (где N – количество значений ряда,  – значение ряда,  – ошибка модели фильтрации,  – среднее значение).

В результате повышения информативности временной ряд преобразуется к виду . Коэффициенты, влияющие на алгоритм преобразования: , .

При погружении временного ряда используется метод скользящего окна. Для сформированной обучающей выборки рассчитывается константа Липшица: , где f – таблично заданная функция, которая в точках xi принимает значения fi. На основе анализа константы Липшица делается заключение о том, насколько удачно выбраны вид и размер окна погружения.

Подпись:  Рис. 2. Модель адаптивного нейросетевого блокаВ результате обучения нейронных сетей может получиться несколько моделей, обладающих удовлетворительными характеристиками. В этом случае строится обобщенный прогноз, который формируется как линейная комбинация: , где М – число объединяемых прогнозов; pj – весовые коэффициенты частных прогнозов;  – частные прогнозы. Весовые коэффициенты определяются из условия минимума дисперсии ошибок обобщающего прогноза.

В общем случае модель нейропрогнозирования считается адекватной до тех пор, пока в систему не поступает достаточное количество данных, на основании которых принимается решение о необходимости изменения параметров модели. Такой же вывод можно сделать на основе анализа данных, выдаваемых самой моделью. В существующей модели при поступлении нового фактического значения вычисляются следующие индикаторы: , , , , где Avg() – среднее значение временного ряда; Disp() – дисперсия значений временного ряда;  – стандартное отклонение;  – новое значение временного ряда;  – среднее значение текущей выборки. Далее рассчитанные индикаторы поступают на вход продукционной экспертной системы, в которую в виде правил продукции заложен алгоритм дообучения. Алгоритм представляет собой множество конъюнктивных правил вида:

Pr: (d(K_Avg))D(K_Avg), d(K_Disp)) D(K_Disp), d(K_New_Avg))D(K_New_Avg), d(K_))D(K_))→d(Decide), где d(x) – текущее значение параметра x; D(x) – множество интервалов, определенное для параметра x.

Модель программного комплекса, который реализуют описанные алгоритмы и методы системы нейропрогнозирования, представлена на рисунке 3.

Средством программной реализации клиентских приложений аналитического программного комплекса является среда программирования Visual Studio 2008. Модуль реализован в виде динамической библиотеки и легко может быть интегрирован в любую существующую информационную систему.

Эффективность использования созданного программного комплекса подтверждается результатами сравнения прогнозных значений, полученных с помощью разработанной модели, и значений, полученных при помощи стандартных методов нейропрогнозирования (табл. 1). Исходными данными при создании и тестировании моделей служили значения ежемесячных продаж автомобилей регионального автодилера ОАО «Алтай-Лада» (г. Барнаул).

Подпись:  Рис. 3. Структура нейросетевого блокаТаблица 1

Сравнение моделей

Модель

01.05.2006

01.06.2006

01.07.2006

01.08.2006

01.09.2006

Нейросеть № 1

56

55

66

75

75

Нейросеть № 2

60

58

70

72

72

Адаптивная нейросетевая модель

55

59

66

75

78

Факт продаж

52

64

60

80

92

Для проверки работы блока адаптации (Ка) в ходе имитационного эксперимента получены следующие значения коэфициентов:  = 0.08, , , Kσ_min = 1.5, Kσ_max = =2.45. В результате моделирования поступления новых фактических значений рассчитаны значения индикаторов и определены моменты их срабатывания. В результате процесс дообучения был запущен на 6, 13, 14, 17 и 21-м шагах поступления новых значений.

Эффективность блока динамической адаптации (Ка) иллюстрирует таблица 2, в которой приведены ошибки прогнозов для начальной модели, для модели, проходящей процедуру дообучения на каждом шаге, и для модели, дообучающейся в выявленных точках.

Таблица 2

Ошибки прогнозов

Шаг

Без дообучения

Дообучение на каждом шаге

Модуль адаптации (Ка)

01.10.2006

39.73 %

39.73 %

39.73 %

01.03.2007

42.46 %

42.58 %

36.15 %

01.10.2007

38.15 %

44.43 %

31.64 %

01.11.2007

45.37 %

38.15 %

27.52 %

01.02.2008

48.41 %

34.87 %

23.21 %

Разработанный программный комплекс применяется для эффективного решения задачи прогнозирования различных временных рядов. Интеграция комплекса с учетной системой автодилера позволила руководству предприятия решить сразу несколько управленческих задач, таких как получение достаточно полной информации о сбытовой деятельности автодилера, получение перспективного прогноза продаж, возможность гибкого формирования заявок на автомобили.

Литература

1.  Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: учеб. пособие. М.: Финансы и статистика, 2003. 416 с.

2.  Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием. Барнаул: Изд-во АлтГТУ, 1999. 355 c.

3.  Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издат. фирма РАН, 1996. 276 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2445
Версия для печати
Выпуск в формате PDF (4.03Мб)
Скачать обложку в формате PDF (1.25Мб)
Статья опубликована в выпуске журнала № 1 за 2010 год. Версия для печати с комментариями

Возможно, Вас заинтересуют следующие статьи схожих тематик: