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

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

3
Ожидается:
16 Июня 2018

Построение динамической мультиагентной модели с использованием классификации трендов

Construction of a dynamic multi-agent model with the use of classification trends
Статья опубликована в выпуске журнала № 3 за 2011 год.[ 11.09.2011 ]
Аннотация:Рассматриваются возможности классификационного анализа данных на основании определения структурной и точечной близости между траекториями для решения задачи прогнозирования тенденций развития рынка с учетом существования статистической базы рыночных трендов. Предложена динамическая структура мультиагентной системы на основе результатов прогнозирования.
Abstract:The possibilities of a classification analysis based on the definition of structural and point proximity between the trajectories for solving the problem of forecasting market trends, taking into account the existence of statistical database of market trends, is considered. We propose a dynamic multi-agent system structure based on prediction.
Авторы: Гимаров В.В. (feu@sci.smolensk.ru) - Смоленский филиал Московского энергетического института (технического университета), г. Смоленск, Россия, доктор экономических наук, Гимаров В.А. (feu@sci.smolensk.ru) - Смоленский филиал Московского энергетического института (технического университета), г. Смоленск, Россия, доктор экономических наук, Иванова И.В. (ivanova_iv@list.ru) - Смоленский филиал Московского энергетического института (технического университета), г. Смоленск, Россия
Ключевые слова: мультиагентная модель, прогнозирование тенденций, алгоритм нечетких c-средних, точечное сопоставление, структурный анализ, динамические данные, кластеризация, классификационный анализ
Keywords: multi-agent model, forecasting trends, the algorithm of fuzzy c-mean, spot matching, structural analysis, dynamic data, clusterization, classification analysis
Количество просмотров: 5971
Версия для печати
Выпуск в формате PDF (5.05Мб)
Скачать обложку в формате PDF (1.39Мб)

Размер шрифта:       Шрифт:

Российская экономика находится в стадии перехода на инновационный путь развития. К факторам, сдерживающим процесс, относят несостоятельность инновационной инфраструктуры, нехватку экономической мотивации и финансирования для доведения инноваций до производственной стадии. В этих условиях особую актуальность приобретает задача концентрации усилий государства и бизнеса на развитии высокотехнологичных секторов, в числе которых и отрасль информационно-коммуникационных технологий (ИКТ), имеющая стратегическое значение для обеспечения условий развития информационной инфраструктуры.

Одним из направлений совершенствования деятельности организаций является разработка систем поддержки принятия решений (СППР) и прогнозирования состояния рынка с учетом взаимоотношений между всеми заинтересованными субъектами на основе моделирования процессов функционирования телекоммуникационных предприятий.

В качестве метода моделирования был выбран многоагентный подход [1]. Традиционно при моделировании рыночных процессов выделяются следующие виды агентов: потребители, предприятия-конкуренты (малые, средние и крупные), региональные власти. При построении модели регионального рынка телекоммуникационных услуг предполагается, что особую значимость имеет каждый абонент, обладающий некоторым множеством характеристик (возраст, профессия, доход, семейное положение и др.), предопределяющих выбор им конкретного оператора и тарифные предпочтения.

Система моделирования развития телекоммуникационного предприятия включает следующие основные виды агентов: A={Aабон, Aконк, Aрын, Ауправ}, где Аабон - множество агентов-потреби­телей; Аконк - множество агентов-организаций конкурентов, которые подразделяются на малые, средние и крупные предприятия; Арын - агент регионального рынка; Ауправ - агент телекоммуникационного предприятия.

В то же время структура мультиагентной модели регионального телекоммуникационного рынка в каждый момент времени неодинакова. Это связано с тем, что в зависимости от изменения экономической конъюнктуры рынка изменяются количество и модель поведения его субъектов. Таким образом, прогноз развития рынка подразделяется на этапы, в рамках каждого из которых состояние бизнес-среды является стабильным и описывается набором агентов, преследующих свои цели. В целом можно выделить четыре вида мультиагентных моделей в зависимости от этапа развития рынка.

1.   Монотонная мультиагентная модель. Отражает этап быстрого роста рынка и может быть охарактеризована сосуществованием крупных, средних и малых предприятий. Региональные власти оказывают значительную поддержку, предоставляя различные гранты, дотации, налоговые льготы, с целью развития благоприятной рыночной инфраструктуры и конкурентной среды. Таким образом, основные агенты модели – малые, средние и крупные предприятия, преследующие цели максимального наращивания абонентской базы из числа новых абонентов; региональные власти, стремящиеся к увеличению рынка, а следовательно, и к стабилизации налоговых поступлений; потребители.

2.               Стационарная мультиагентная модель. Отражается в ситуациях ужесточения конкурентной борьбы, когда наиболее слабые предприятия уходят с рынка и происходит укрупнение бизнеса за счет слияния одних предприятий и поглощения других. На данном этапе региональные власти никакого влияния на рынок не оказывают, что связано со снижением динамики и возможностей его роста. Структура мультиагентной модели включает малые, средние и крупные предприятия, стремящиеся к увеличению своего бизнеса за счет ужесточения конкурентной борьбы, а также потребителей.

3.               Вариационная мультиагентная модель. Формируется на этапе зарождения и развития кризисных явлений. Происходит резкое сокращение количества предприятий в большей степени за счет малых. Крупный и средний бизнес начинает делать упор на инновационные продукты и услуги, вывод на рынок новых и усовершенствованных товаров и услуг, способствующих повышению спроса. Структура мультиагентной модели включает средние и крупные предприятия, а также потребителей. Особенность данной модели заключается в расширении возможных вариантов поведения агентов в зависимости от состояния внешнего окружения вплоть до изменения стратегии организации.

4.               Динамическая мультиагентная модель. Отражает этап подъема рынка за счет увеличения спроса на продукцию, поддержки региональных властей, направленной на стабилизацию рынка, появления новых малых предприятий. В процессе моделирования учитываются сосуществование всех субъектов рынка – малых, средних и крупных предприятий, региональной власти и потребителей – и анализ возможных отношений между ними.

Данные виды моделей применимы в условиях определенной конъюнктуры рынка, состояние которой в конкретный момент времени можно спрогнозировать. На рисунке приведена схема построения СППР в телекоммуникационной организации на основе прогнозирования и моделирования поведения рынка с использованием мультиагентных технологий.

Для прогнозирования жизненных циклов товаров и услуг, а также тенденций развития глобальных и локальных рынков используются различные экономико-математические методы и инструментальные средства. Один из классов экономико-математических моделей социально-эко­номических процессов основан на использовании теории классификационного анализа медленно изменяющихся данных и различных траекторий трендов.

Техника кластеризации используется для анализа данных в случаях, когда стоит задача объединения группы схожих объектов в один класс. При этом объекты разных классов должны обладать различными характеристиками. Теоретические основы классификационного анализа динамически изменяющихся данных освещены в работах отечественных и зарубежных ученых (см., например, [2–4]).

Подпись: Элементами вектора, описывающего динамические объекты, являются траектории. Учитывая то, что большинство методов анализа данных основаны на измерении расстояния или сходства в качестве критерия классификации, при анализе динамических объектов возникает необходимость разработки метода расчета близости между траекториями (функциями), которая предполагает существование двух типов схожести [4] – структурного сходства и точечного.

Структурное сходство предполагает сопоставление параметров траекторий в контексте различных аспектов (формы, динамики, размера, ориентации и др.). В зависимости от выбранного варианта для описания сходства могут использоваться различные параметры, например, наклон, кривизна, положение и значения экстремальных точек, гладкость и монотонность.

Точечное сходство связано с определением близости функций в пространстве. В данном случае поведение траекторий не является первостепенным фактором, и некоторые различия по форме допускаются, пока траектории пространственно близки. В отличие от структурного сходства расчет точечного не требует использования характеристик траекторий и основывается непосредственно на их значениях.

Перечисленные подходы к сопоставлению траекторий предполагают существование разных методов кластеризации.

Выделение различных показателей структуры траекторий и их сопоставление делают возможным переход от динамической кластеризации к стандартным статическим методам за счет замены траектории на набор ее структурных признаков. При этом в качестве таких признаков могут рассматриваться степень гладкости, диапазон значений, максимальное значение и время его появления, максимальная длина интервала с нулевой производной и другие. Выбор конкретных из них осуществляется в условиях практической задачи в зависимости от вида траекторий с учетом необходимости выделения максимального различия между ними.

Для расчета таких характеристик оценки структурного сходства, как кривизна траекторий (1) и гладкость (2), используются формулы

,                                                                                                                                                (1)

,                (2)

где k - номер нулевого значения в векторе h; h - вектор вторых производных в точках, полученный по правилу

                                                                                                                (3)

Таким образом, за счет выявления структурных характеристик отдельных траекторий (функций) осуществляется переход к матрице, состоящей из M объектов, каждый из которых характеризуется набором из n признаков:

.

Для кластеризации объектов из X на несколько подмножеств (кластеров), в которых объекты более схожи между собой, чем с объектами из других кластеров, существует большое количество алгоритмов, наиболее известным из которых является метод нечетких c-средних [2].

Заметим, что большинство известных в настоящее время алгоритмов классификационного анализа используют расстояние между двумя объектами для расчета степени их принадлежности к выделенным классам. Положение объекта в пространстве признаков используется для определения представителей каждого класса. Данный критерий был положен в основу разработки модифицированного алгоритма нечетких c-средних, предназначенного для классификации динамических объектов (описываемых траекториями) и основанного на анализе их точечного сопоставления [4].

На каждой итерации стандартного алгоритма нечетких с-средних рассчитывается значение функции принадлежности объекта i к классу j в соответствии со следующей формулой:

,                                                                                                           (4)

где Хi - i-й объект; Vj и Vk - центры кластеров j и k; с - число кластеров; m - степень размытости кластеров.

Выражение d(x, y) в формуле обозначает расстояние между векторами x и y в пространстве. Если векторы включают реальные числа, в качестве меры используется евклидово расстояние. Главная идея модификации алгоритма заключается в возможности расчета расстояния между двумя траекториями, при этом как мера близости двух траекторий используется степень принадлежности их разности к нулевой траектории. Степень близости s(f, g) преобразуется в меру расстояния d(f, g) по следующей формуле:

.                                                                                                                                                                (5)

С помощью данной меры сходства между функциями классический алгоритм нечетких с-средних можно использовать для классификации динамических объектов. При этом центры кластеров bi будут рассчитываться по формуле [4]:

,                                                                                                     (6)

а перерасчет значений функций принадлежности:

.                 (7)

Рассмотренные варианты кластеризации траекторий имеют свои достоинства и недостатки. Однако оба подхода не позволяют в полной мере учитывать различие траекторий с точки зрения решения задачи прогнозирования. Так, при оценке структурного сходства не берется в расчет близость траекторий в пространстве, в то время как точечная близость дает слабое представление о колебаниях на рынках телекоммуникационных услуг. В связи с этим на практике для решения задачи прогнозирования возникает проблема выбора метода кластеризации.

Пусть некоторое предприятие работает на рынке в течение периода времени [t0, tn] и характеризуется состоянием спроса x(t). Необходимо спрогнозировать значение спроса на услуги компании на период времени [tn+1, tm] на основании анализа и классификации развития предприятия на других региональных рынках.

Таким образом, в систему поступает новый объект, характеризуемый отрезком траектории [t0, tn]. При этом возникает задача определения соответствия данного объекта конкретному классу, а также соотнесение его с определенным этапом кластерного образца.

На основании описанных алгоритмов с учетом реализуемой предприятием стратегии рассчитываются степени принадлежности объекта к кластерам с точки зрения условий структурной и точечной близости траекторий к их центрам. При этом можно использовать комплексный критерий кластеризации как средневзвешенный показатель, в общем виде описываемый выражением

k=a1×s1(x, v)+a2×s2(x, v)+…+

+an-1×Dsm+an×Dcur,                                                                                                                                                                 (8)

где s(x, v) - меры точечного сходства между входным вектором траекторий x и центром кластера; Δsm - мера сходства траекторий с точки зрения их гладкости; Δcur - мера сходства траекторий с точки зрения их кривизны; а1, …, an - весовые коэффициенты каждого показателя, находящиеся в интервале (0, 1).

Суммирование характеристик подобия траекторий приведет к значительному искажению результата, поскольку данные показатели являются взаимозависимыми. В связи с этим для расчета комплексного критерия кластеризации, описывающего степень принадлежности объекта к кластерам, целесообразно использовать систему продукционных правил (см. табл.).

Мера сходства

Степень сходства траекторий

Весовой коэффициент правила

s1(x, v) очень низкая

низкая

0,05

s2(x, v) высокая

высокая

0,25

m(f(sm(x)–sm(v))

низкая

0,25

 

0,45

В результате применения данных правил для сопоставления нового образца с центрами существующих кластеров траектории относят к одному из них на основании максимальной точечной и структурной близости к его центру. Использование весовых коэффициентов для каждого правила представленного вида позволит выделить значимость параметра сопоставления.

Таким образом, моделирование деятельности телекоммуникационных предприятий с использованием мультиагентных моделей, вид которых может быть определен на основе классификационного анализа рыночных трендов (траекторий), дает возможность повысить обоснованность и оперативность принимаемых маркетинговых решений.

Литература

1.               Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: ЭдиториалУРСС, 2002.

2.               Гимаров В.А., Дли М.И., Круглов В.В. Задачи распознавания нестационарных образов // Изв. РАН. Теория и системы управления. 2004. № 3. С. 13–16.

3.               Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных: тр. Междунар. конф. по проблемам управления. М.: СИНТЕГ, 1999. Т. 1. С. 62–77.

4.               Angstenberger L. Dynamic Fuzzy Pattern Recognition with Applications to Finance and Engineering. Boston: Kluwer Academic Publishers, 2001.

5.               Киселева Е.М., Блюсс О.Б.  Выбор экспоненциального веса в методе с-средних для нечеткой кластеризации // Математичне та програмне забезпечення інтелектуальних систем: матеріали міжнародної науково-практичної конференції. Украина, Днепропетровск. 2007. С. 71–72.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2839
Версия для печати
Выпуск в формате PDF (5.05Мб)
Скачать обложку в формате PDF (1.39Мб)
Статья опубликована в выпуске журнала № 3 за 2011 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: