Нейронные сети и регрессионный анализ как метод прогнозирования временных рядов Текст научной статьи по специальности «Компьютерные и информационные науки»

Таким образом, для создания условий перспективного инновационного развития строительной сферы в России и сокращения рисков инновационных проектов, прежде всего, необходима поддержка государства, которая была бы направлена на создание специальных программ, способных облегчить процесс выхода инноваций на потребительский рынок, обеспечение сферы строительства квалифицированными специалистами и совершенствование нормативно-технической документации [3].

Список литературы

1. Беда С.Ю. Необходимость инноваций: проблемы и пути активизации инновационной деятельности. [Электронный ресурс]. Режим доступа: http://www.rusnauka.com/14_ENXXI_2009/Economics/45837.doc.htm/ (дата обращения: 07.06.2017).

2. Стрельченко О.В., Саньков П.Н. Использование нанотехнологий в строительстве. Их виды, перспективы и безопасность применения. [Электронный ресурс]. Режим доступа: http://www.scienceforum.ru/2016/1400/19456/ (дата обращения: 07.06.2017).

3. Рубцова М.В., Солдатенкова А.М., Петренева О.В. Риски инновационных проектов в строительстве. [Электронный ресурс]. Режим доступа: https://elibrary.ru/item.asp?id=26274853/ (дата обращения: 07.06.2017).

НЕЙРОННЫЕ СЕТИ И РЕГРЕССИОННЫЙ АНАЛИЗ

КАК МЕТОД ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ

1 2 Иванова Ю.В. , Черемисова Т.В.

1Иванова Юлия Викторовна - студент;

2Черемисова Татьяна Васильевна - студент, кафедра информационных и измерительных систем и технологий, факультет информационных технологий и управления,

Южно-Российский государственный политехнический университет им. М.И. Платова,

г. Новочеркасск

Аннотация: в данной статье, анализируя методы прогнозирования временных рядов, используются два метода: нейросетевые методы прогнозирования и методы на основе регрессионного анализа. На примере отдельных показателей прогноза, произведенных на базе двух методов, происходит сравнение результатов прогноза. Изучаются основные проблемы, появляющиеся при использовании данных методов, а также методы их решения, а именно, гибридизация данных методов. Проводится широкий обзор исследований по сравнению прогностической производительности методов на основе искусственных нейронных сетей и других методов прогнозирования. Большое внимание уделяется сопоставлению методов искусственных нейронных сетей и методов множественной регрессии. Ключевые слова: гибридные модели, временной ряд, нейронные сети, нечеткие методы моделирования, регрессионный анализ, анализ и прогнозирование.

УДК 004.415.2

Введение

Нейронные сети могут работать параллельно с входными переменными и, вследствие этого, способны достаточно просто обрабатывать большие объемы данных. Главное преимущество нейронных сетей - это возможность находить закономерности. Искусственные нейронные сети являются альтернативой в инструментарии специалистов, занимающихся прогнозированием. Практически, не

46

линейная структура нейронных сетей отчасти полезна для выявления сложных взаимосвязей в большинстве реальных проблем. Нейронные сети являются наиболее многофункциональным методами прогнозирования в связи с тем, что они не только могут находить нелинейные структуры в задачах, они также могут строить линейные процессы. Одна из основных областей применения искусственные нейронные сети — это прогнозирование. За последнее время был замечен увеличивающийся интерес к прогнозированию с помощью нейронных сетей.

1. Прогнозирование временных рядов в сравнении с множественной регрессией

Необходимо провести предварительную классификацию используемых средств прогноза в страновых моделях, так как имеет смысл сравнивать только сопоставимые продукты. В качестве основных характеристик страновых систем моделей прогноза выделим основные:

1. мощность системы прогноза;

2. развитость средств отладки регрессионных уравнений;

3. наличие и гибкость систем управления расчетом;

4. контроль балансовых значений прогнозных показателей;

5. контроль допустимых значений прогнозных показателей;

6. развитость табличных и графических средств для анализа прогнозных показателей.

Мощность системы прогноза. Такая характеристика определяет возможность

системы, дает возможность решать предельно допустимое количество взаимосвязанных регрессионных уравнений [2]. Различают системы, решающие до 10 уравнений - малой мощности («М»), до 100 уравнений - средней мощности («С»), до 1000 уравнений - большой мощности («Б»), свыше 1000 уравнений - сверхбольшой мощности («Х»). Наличие и гибкость систем управления расчетом. Развитые страновые модели прогноза и программно-технологические средства, реализующие эти модели, начиная с систем класса «С» и выше, должны иметь и воспроизводить минимум, три режима: подготовительный, эксплуатационный, заключительный.

2. Прогнозирование временных рядов, используя нейронные сети

Искусственные нейронные сети (ИНС) - вычислительные структуры, моделирующие биологические процессы. ИНС изучают массу гипотез одновременно, используя параллельные сети, состоящие из нелинейных относительно вычислений элементов, соединённые между собой связями с отличными друг от друга весами. Соединённый набор весов, содержащий знание, генерируется ИНС. ИНС были использованы для низкоуровневых задач распознавания, а именно: распознавание речи или символов. В настоящее время они изучаются для задач принятия решений и индукции[1'31 ИНС состоят из большого числа простых обрабатывающих элементов, каждый из которых взаимодействует с другими посредством возбуждающих или тормозящих соединений. Распределённое представление поверх большого числа элементов вместе с взаимосвязью обрабатывающих элементов обеспечивает допустимую ошибку. Обучение достигается посредством правил, которые адаптируют веса связей в ответ на входные шаблоны. Изменения весов, ассоциированных со связями, позволяют приспосабливаться к новым ситуациям.

При использовании множественной регрессии, необходимо решить методологические проблемы функциональной формы из-за неверной спецификации, нелинейность, мультиколлинеарность и гетероскедатичности.

Сталкиваясь с возможно нелинейностью функциональной формы, в большинстве случаев можно перевести нелинейную зависимость в линейную до того, как мы приступим к использованию регрессионного анализа. Ранее было отмечено, некоторые исследования обнаружили, что возраст и жилая площадь имеют нелинейную зависимость со стоимостью недвижимости. Мультиколлинеарность не влияет на прогностические возможности множественной регрессии, как и у ИНС, потому что сделаны выводы в совместно определенной области наблюдений [2]. Мультиколлинеарность, тем не менее,

47

делает невозможным отделение эффектов якобы независимых переменных. Гетероскедатичность обычно возникает, когда используется поперечное пересечение данных. В дополнение к модели методологических проблем, отсутствующая соответствующая объясняющая переменная является еще одним источником ошибок при использовании множественной регрессии и ИНС [3]. Это часто связано с отсутствием данных. При использовании нейронной сети прямого распространения с обучением на основе метода обратного распространения ошибок, необходимо решить следующие методологические проблемы, такие как количество скрытых слоев, число нейронов в каждом скрытом слое, выборка обучающих данных, размер этой выборки, выборка проверочных данных и соответствующий размер данной выборки, а также перетренировка. Чтобы избежать перетренированности, целесообразно использовать эвристический метод. Несмотря на ограничения, есть некоторые теоретические основы, чтобы облегчить определение количества скрытых слоев и нейронов в использовании.

Вывод

В заключение важно отметить, если у нас есть достаточный набор обучающих данных и соответствующие параметры ИНС, то она работает значительно лучше, чем множественная регрессия. В противном случае, результаты могут изменяться. В результате исследования, был получен результат, по которому видно, что множественная регрессия уступает нейронным сетям. Так же выявлены минусы, возникающие при прогнозировании обоими методами. Опираясь на результаты исследования, сделаем вывод, чтобы получить превосходство прогноза с использованием ИНС над множественной регрессией, необходимо вводить как можно больше обучающих данных. Чем больше объем обучающей выборки, тем качественный прогноз формирует нейронная сеть.

Список литературы

1. Каллан Р. Основные концепции нейронных сетей М., 2001.

2. Малое С.В. Регрессионный анализ. Теоретические основы и практические

рекомендации. Издательство СПбГУ, 2013.

3. Галушкин А.И. Нейронные сети. Основы теории. Горячая Линия — Телеком, 2010.

БЕЗОПАСНОЕ ВЫПОЛНЕНИЕ СТОРОННЕГО ПРОГРАММНОГО КОДА Головлев А.А.

Головлев Андрей Алексеевич - студент, электроэнергетический факультет, Вологодский государственный университет, г. Вологда

Аннотация: оценка эффективности системы защиты информации (СЗИ) от угроз кибернетического характера требует применения той или иной строгой формальной постановки понятия «кибернетическая безопасность», которая, в свою очередь, должна быть органично вплетена в немалый существующий понятийный базис теории и практики обеспечения безопасности информации в автоматизированных системах (АС), максимально приближенных к практическим особенностям реализации угроз, так сказать, кибернетической природы, присущих конкретным АС. Основой существования подобных систем является выполнение программных кодовых последовательностей. Безопасность на уровне программного обеспечения