CC BY
12ИНТЕЛЛЕКТУАЛЬНЫЕ КОГНИТИВНЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
INTELLIGENT COGNITIVE SYSTEMS FOR DECISION MAKING SUPPORT
Ефремова Н.А. — к.т.н., ст.преподаватель кафедры Информатики РЭУ им. Г.В. Плеханова
Аверкин А.Н. — к.ф. — м.н., доцент кафедры Информатики РЭУ им. Г.В. Плеханова
Колмаков И.Б. — д.э.н., профессор кафедры Информатики РЭУ им. Г.В. Плеханова
Efremova N.A. — Candidate of Science (Technical), Senior Lecturer of the Department of Informatics, Russian Plekhanov University of Economics.
Averkin A. N. — Candidate of Science (Physics and Mathematics), Associate Professor of the Department of Informatics, Russian Plekhanov University of Economics
Kolmakov I.B. — Doc. Sc. (Economics), Professor Lecturer of the Department of Informatics, Russian Plekhanov University of Economics.
Аннотация
В данной статье приводится обзор ряда работ по проекту, целью которого является построение модели макроэкономического прогнозирования для неполных данных и плохо поставленных задач. В рамках данного проекта проводится построение гибридной нейросетевой модели для прогнозирования макроэкономических показателей на примере сферы НИиР (Научные Исследования и Разработки). Для построения гибридной модели используются механизмы линейной регрессии и нейросетевого моделирования, проводится исследование точности прогноза на данной модели и сравнение описанной технологии с имеющимися методиками прогноза.
Abstract
In this paper, we propose a series of works referring to the construction of the hybrid architecture for macroeconomic forecasting on the fuzzy and
217
incomplete data. As an example, we regard the field of Research Activities and Development. As the building blocks for such a hybrid model, we regard the combination of linear regression models with complex neural networks; moreover, we emphasize the necessity to compare the proposed complex architecture with the existing analogues.
Ключевые слова: macroeconomic forecasting, hybrid architectures, neural networks, intelligent systems.
Keywords: макроэкономическое прогнозирование, гибридные модели, нейронные сети, интеллектуальные системы.
Введение
В данной статье приводится обзор ряда работ по проекту, целью которого является построение модели макроэкономического прогнозирования для неполных данных и плохо поставленных задач. На сегодняшний день, по статистическим данным Росстата РФ выделяются следующие направления макроэкономической деятельности Российской Федерации: макроэкономическая деятельность; внешне-экономическая деятельность; социальные сферы; финансы; инвестиции; научные исследования и разработки (НИиР). Сфера НИиР подразде- #
ляется, в свою очередь, на 3 части:
• организационную (куда входят, соответственно: организация; кадры науки; финансирование; и результативность исследований и разработок и результативность);
• подготовка кадров (здесь рассматриваются показатели деятельности аспирантуры такие как, численность аспирантов по отраслям науки; прием в аспирантуру по отраслям науки);
• наука и инновации.
Большинство вышеперечисленных сфер имеют длительную и подробную историю статистических данных, которые можно использовать для прогнозирования существующими методами. Как пример можно привести такие методы как регрессионный анализ для построения уравнений функционирования взаимосвязанных показателей экономики, которые применяются давно и весьма успешно [1]. Однако, такие сферы как НИиР имеют следующие недостатки: неполнота данных, постоянное добавление новых показателей, трудность работы с имеющимися показателями вследствие изменчивости самой сферы разработок (например, появление новых отраслей в разделе
218
«Инновации», таких, как нано технологии, 3Д печать и так далее). Для таких сфер применение традиционных методик сильно затруднено. Необходимость улучшения качества прогноза для подобных неполных или нечетких областей вызывает активное внедрение новых интеллектуальных технологий в прогнозирование: как в виде экспертных систем, когнитивных моделей и баз знаний, так и нейросетевых технологий [2].
В рамках данного проекта проводится построение гибридной нейросетевой модели для прогнозирования макроэкономических показателей на примере сферы НИиР (Научные Исследования и Разработки). Для построения гибридной модели используются комбинация традиционных методик: механизмов линейной регрессии и нейросе-тевого моделирования. Кроме того, проводится исследование точности прогноза на данной модели и сравнение описанной технологии с имеющимися методиками прогноза.
Архитектура системы
Методы линейной регрессии, на настоящий момент, хорошо изучены [1,3]. Однако мы предполагаем, что их применение в совокупности с более современными интеллектуальными технологиями может не только улучшить качество прогноза, но и решить такие проблемы как неполнота и неточность данных. В качестве основного механизма для интеллектуального анализа данных и построение на их основе прогноза были выбраны нейронные сети. Однако, как и регрессионные модели, так и нейросетевые технологии, на данный момент уже хорошо изучены. Мы предполагаем, что имеющиеся традиционные нейросетевые архитектуры достаточно ограничены в функционале и ценность их применения в гибридных моделях малозначима. С другой стороны, в последнее время активно развивается направление построения многоуровневых нейросетевых архитектур для решения сложных задач [4], в частности задач прогнозирования [1].
В рамках данного проекта планируется комплексное исследование всех существующих на данный момент многоуровневых архитектур и возможности их применения для прогнозирования макроэкономических показателей. Кроме того, планируется построение экспериментальной архитектуры, не применявшейся ранее для данного типа задач. Будут исследованы и проанализированы прогностические способности каждого вида архитектур как отдельно, так и в сочетании с линейными регрессионными моделями. Исходя из имеющихся у нас
219
данных, мы предполагаем, что такого рода задача ранее не ставилась, и, соответственно, результаты ее будут полезны при решении задач экономического прогнозирования. Особенностью данного подхода является не только исследование имеющихся методик, но и построение новых, еще не использованных в подобных задачах архитектур, таких как самоорганизующиеся карты, состоящие из коалиций многослойных персептронов [6], самоорганизующиеся карты, состоящие из нейронных сетей на базе радиальных базисных функций [7] и т.д.
Отдельной сложностью в данном подходе можно считать проблему верификации полученного прогноза вследствие неполноты исходных данных. Таким образом, текущая задача разбивается на ряд задач: аппроксимация неполных данных по имеющимся статистическим сведениям (здесь мы так же планируем использовать нейросетевой подход), построение прогноза и его верификация.
Заключение
Построение прогноза в тех областях, где присутствует неточность, неполнота или нехватка времени, требует привлечения современных интеллектуальных технологий для успешного решения задачи. Мы предлагаем в качестве такой технологии гибридную модель для прогнозорования экономических показателей на примере сферы НИиР. Для построения гибридной модели предлагается использование механизмов линейной регрессии и нейросетевого моделирования, при этом в качестве нейросетевой компоненты предлагается использовать одну из существующих на данный момент многоуровневых нейросе-тевых архитектур. Кроме того, планируется комплексное решение ряда сопутствующих задач, таких как подготовка неточных данных, решение проблемы верификация прогноза при неполноте необходимых статистических данных и т.д. По окончании работ по построение модели, будет проведен так же анализ целесообразности создания интеллектуальных гибридных систем прогнозирования данных описанного типа.
Работа была выполнена при поддержке грантов РФФИ №14-0700603 «Интеллектуальные когнитивные системы поддержки принятия решений» и 13-07-00858 «Методология и система гибридных интеллектуально-экономических моделей и инструментальных средств для анализа и вариантного прогнозирования показателей социально-экономического развития на федеральном и региональном уровнях».
220
Библиографический список
1. Китова О.В., Колмаков И.Б., Потапов С.В., Шарафутдинова А.Р. Системы моделей краткосрочного прогноза показателей социально-экономического развития РФ.
2. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. — М.:Радио и связь, 1992. — 256 с.
3. Гришин В.И., Абдикеев Н.М., Колмаков И.Б., Воронова Т.А., Турлак В.А., Филиппов Д.И Система расчета прогнозных показателей макроэкономики России./ Финансовая аналитика. Проблемы и решения. Научно-практический и информационно-аналитический сборник./ М:, Издательский дом «Финансы и кредит» №13 (37) октябрь 2010 с.2-15.
4. Efremova N., Asakura N., Inui T., Abdikeev N., Inferotemporal network model for 3d object recognition. // The proceedingsof the International Conference on Complex Medical Engineering IEEE/ ICME, 2011, p. 555-560
5. Povidalo I., Averkin A. Dynamic Object Identification with SOM-based neural networks. The proceedings of the BRICS-CCI 2013 Conference, Brazil.
6. Tokunaga K., Furukawa T. Modular network SOM. // Neural Networks, 2009, p.82-90.
7. T. Ohkubo, K. Tokunaga, T. Furukawa, Rbfsom: An efficient algorithm for large-scale multi-system learning, IEICE Transactions (2009).
Контактная информация:
117997 Российская Федерация, г. Москва, Стремянный пер., 36. e-mail: Natalia.efremova@gmail.com, averkin2003@inbox.ru, kolibor@rambler.ru
Contact links:
Stremyanny per. 36, 117997, Moscow, Russian Federation e-mail: Natalia.efremova@gmail.com, averkin2003@inbox.ru, kolibor@rambler.ru
221
