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

4
Ожидается:
16 Декабря 2017

Модели прогнозирования в интеллектуальных системах

Статья опубликована в выпуске журнала № 4 за 2007 год.[ 21.12.2007 ]
Аннотация:
Abstract:
Авторы: Виноградов Г.П. (wgp272ng@mail.ru) - Тверской государственный технический университет, Тверь, Россия, доктор технических наук, Семенов Н.А. (dmitrievtstu@mail.ru) - Тверской государственный технический университет, г. Тверь, Россия, доктор технических наук
Количество просмотров: 6890
Версия для печати
Выпуск в формате PDF (2.00Мб)

Размер шрифта:       Шрифт:

При классическом подходе к проблеме построения моделей социально-экономических процессов и решения задач прогнозирования:

-    априори предполагается, что для наблюдаемых параметров справедлива гипотеза нормального закона их распределения, хотя это спорно (Петерс С. Хаос и порядок на рынке капитала. М., 2000);

-    не учитывается активное поведение людей, являющихся интеллектуальными элементами объектов управления;

-    предполагается, что поведение людей, занятых в процессе построения моделей прогнозирования, в слабой степени влияет (или вообще не влияет) на их адекватность и практическую значимость результатов.

В то же время в экономике, построенной на знаниях, наблюдается тенденция к созданию систем с высокой степенью интеллектуальности. Их выходные параметры являются результатом принятия решений ЛПР.

В этом случае можно выделить две основных роли человека в управлении:

·          ЛПР – человек, отвечающий за реализацию решений и последствия;

·          эксперт – человек, владеющий знаниями и опытом в подготовке решений, но не отвечающий за их окончательный выбор и практическую реализацию.

Таким образом, во временных рядах, отображающих результаты наблюдения за экономическим процессом, всегда отражается политика ЛПР, поведение людей, участвующих в подготовке решений и реализации экономического процесса, воздействия внешней среды и т.п., то есть всего того, что названо механизмом функционирования организационной системы (Бурков В.Н., Новиков Д.А. Введение в теорию активных систем. М.: ИПУ РАН, 1996). Следовательно, прогноз в социально-эконо­мических системах выступает как средство воздействия на объект управления. Такой вид прогноза называется активным.

Для активного прогноза совпадение значений прогнозных показателей с реальными не является доказательством высокого качества прогноза. В этих условиях первостепенную роль приобретает проблема описания в теоретических моделях прогнозирования поведения интеллектуальной организации с использованием знаний ЛПР и экспертов. Эти модели должны учитывать при решении задач прогнозирования влияние человеческого фактора.

Таким образом, задачи практики и логика развития теории прогнозирования порождают новый класс задач активного прогнозирования, что предполагает решение двух проблем:

1)  построение процедур активной экспертизы для получения согласованного варианта прогноза либо нескольких альтернативных вариантов с примерно одинаковым уровнем аргументации;

2)  разработка методологии применения комплекса научных методов, программных средств в сочетании с опытом, знанием, квалификацией и интуицией эксперта, ЛПР для получения модели, адекватно описывающей реальный процесс с его точки зрения (или с точки зрения группы экспертов).

Пусть социально-экономический процесс описывается как динамическая система вида:  =, где τ – временной лаг.

Пусть в дискретные моменты времени с шагом  регистрируется временной ряд из N чисел: . Каждая точка этого ряда является скалярной функцией вектора состояния динамической системы, то есть  .

Требуется по данным временного ряда  восстановить или реконструировать траекторию динамической системы.

Возможность такой реконструкции устанавливают теоремы Уитни и Таккенса, то есть для построенных m-мерных векторов   должна существовать функция F, содержащая в себе проектор на многообразие размерности меньше m:

.

Поскольку определить вид функции F в общем случае невозможно, то, используя предположение о квазистационарности, можно считать, что исследуемый объект может находиться в одном из K состояний, и в каждом состоянии объект можно описать моделью, использующей, например, локальную аппроксимацию вида

,

где  и  – полиномы первой и второй степени соответственно от .

В реальных условиях эксперт при прогнозировании тенденции процесса всегда строит представление о влиянии на прогнозируемый показатель некоторого набора независимых факторов.

Пусть  – вектор независимых переменных;  – зависимая переменная; y=Ф(x) – неизвестная зависимость. Требуется высказать наиболее правдоподобное предположение о возможном значении y*=Ф(x*) переменной y при заданном значении x* переменной x, используя при этом:

·          семейство частных моделей, построенных на основе статистической информации (xj, yj ):

                                         (1)

где  – вещественная функция и вектор оценок параметров i-й модели, определенные на этапе идентификации; xj, yj – результаты измерений переменных x,y на периоде времени t;

·          семейство экспертных высказываний:

,                                (2)

где ak,bk – заданные k-м экспертом действительные числа (будущее состояние системы), такие, что (ak,bk] – попарно различные интервалы.

Задача ЛПР состоит в том, чтобы на основе информации типа (1)-(2) сформировать комбинированный прогноз. При сопоставлении и анализе экспертных мнений ЛПР для оценки степени их объективности, как правило, учитывает аргументацию экспертов. Для этого ЛПР стремится создать механизм экспертизы, при котором эксперты стремятся к выработке наиболее обоснованного варианта решения. Такой механизм называется неманипулиремым, так как позволяет свести к минимуму влияние субъективных факторов на принимаемое решение. Алгоритм решения этой задачи отображен на рисунке.

Предлагаемая схема основывается на знании причинно-следственных связей между входными факторами и анализируемыми показателями, которые имеются на качественном уровне у опытного пользователя. То есть каждый опытный эксперт на качественном вербальном уровне выносит свое суждение  на основе модели состояния системы, которая описывает не только связи между параметрами, но и учитывает направление воздействия факторов и степень их влияния друг на друга на текущий момент времени. Это и позволяет предложить процедуры варьирования параметров математических методов прогнозирования в соответствии с представлениями экспертов.

Подпись:  
Схема взаимодействия пользователя и программного обеспечения при интерактивном прогнозировании
Задача прогнозирования социально-экономичес­кого процесса относится к классу слабоструктурированных задач, описываемых когнитивными моделями, которые строятся на основе доступной информации и знаний эксперта. В современных организационных системах созданы компьютерные системы, управляющие огромными собственными базами данных, а также имеющие доступ к другим базам данных. Объемы доступных данных исчисляются терабайтами. Информационные технологии в этом процессе могут использоваться в двух вариантах: 1) эксперт использует запросы как средство извлечения данных для анализа (такая схема работает в относительно несложных ситуациях и небольших базах данных); 2) в случае сложных проблем и больших объемов данных информационные технологии должны обеспечивать извлечение знаний из баз данных так, чтобы эксперт получал информацию в агрегированном виде – в виде моделей, подготовленных компьютером. Такое их использование для построения моделей позволяет их пошаговое улучшение. Начав с относительно грубой модели, необходимо по мере накопления новых данных и результатов применения модели на практике улучшать ее, используя следующие операции:

-    извлечь данные, очистить их и трансформировать;

-    провести собственно анализ data mining;

-    интерпретировать полученные результаты.

Интерпретация результатов возлагается на эксперта, который переводит эти знания в правила типа “Если …, то …”. Результатом интерпретации должна быть иерархия критериев, полученная путем декомпозиции цели, сформулированной в самом общем виде, и множеством сгенерированных экспертом решений – альтернатив. Эта схема иерархии критериев дополняется моделью динамики развития ситуации, построенной на основе знаний эксперта о процессах, протекающих в анализируемом объекте. Модель динамики ситуации представляется в виде особого вида когнитивных карт, описывающих ситуацию множеством факторов, связанных причинно-следственны­ми отношениями с операторами их преобразования, полученными при применении технологии data mining. Такие модели позволяют получать количественные прогнозы развития ситуаций, а также решать задачу генерации решений для перевода ситуации из начального в целевое состояние.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=318
Версия для печати
Выпуск в формате PDF (2.00Мб)
Статья опубликована в выпуске журнала № 4 за 2007 год.

Назад, к списку статей

Хотите оценить статью или опубликовать комментарий к ней - зарегистрируйтесь