CC BY
122
Секция ««Математические методы моделирования, управления и анализа данных»
УДК 519.86
О НЕЙРОСЕТЕВЫХ МОДЕЛЯХ В УПРАВЛЕНИИ ЗАПАСАМИ
Д. Н. Жиратков Научный руководитель - Л. В. Липинский
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected]
Рассматривается применение нейросетевого моделирования в задачах прогнозирования спроса и обеспечение поддержки принятия решения при выборе времени и объемах заказов.
Ключевые слова: искусственные нейронные сети, прогнозирование спроса, управление запасами.
NEURAL NETWORK MODELS IN STOCK MANAGEMENT
D. N. Zhiratkov Scientific supervisor - L. V. Lipinskiy
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected]
The article examines the application of neural network modeling in the issues of demand forecasting and for decision support while choosing the time the amount of stocks.
Keywords: neural network models, forecasting of demand, stock management.
Современный рынок характеризуется высоким уровнем конкуренции, динамикой цен, коротким жизненным циклом товара, его быстрым моральным устареванием, обновлением и модернизацией. Во многом, такая ситуация связана с развитием информационных технологий и появлением мощных вычислительных ресурсов. Эффективное управление организацией предполагает, в том числе и грамотное, обоснованное управление ее запасами. Несвоевременное размещение заказа, или его необоснованный объем могут привести к снижению оборачиваемости капитала, или прямым убыткам.
К сожалению, классические модели и методы управления запасами не всегда эффективны на практике. Применение современных методов интеллектуального анализа данных и моделей поддержки принятия решения могут существенно повысить эффективность работы организации. Одной из таких технологий является технология нейросетевого моделирования или нейронные сети (НС).
Идея НС заимствована у природы [1]. Человеческий мозг является эффективным средством решения проблем. При этом мозг состоит из множества взаимосвязанных нейронов. Математические нейронные сети или искусственные нейронные сети так же состоят из нейронов. Математический нейрон, так же как и биологический нейрон преобразует входные сигналы в выход. Можно сказать, что они выполняют аналогичные функции - функции нелинейного преобразования входов в выход. Однако искусственные нейронные сети значительно упрощены по сравнению с биологическими. Несмотря на это, НС могут эффективно решать такие задачи как прогнозирование, регрессия, классификация, кластеризация [2]. Важно, что нейронные сети обладают способностью самостоятельно обучаться.
При современном уровне автоматизации, каждая организация имеет большие хранилища данных о ведении собственной деятельности. С точки зрения управления запасами, данные об истории продаж, динамике спроса и цены являются потенциально полезными. Они могут содержать скрытые закономерности, обнаружение и использование которых, может существенно повысить эффективность работы.
В данной работе предлагается использовать НС для прогнозирования спроса. Нейросетевой прогноз будет основой для принятия решения при выборе времени и объеме заказов. Обучение ней-
Актуальные проблемы авиации и космонавтики - 2015. Том 1
ронной сети производится на основе исторических данных о продаже товара. Для использования этих данных необходимо выполнить предварительную обработку.
Восстановление пропусков. Пропуски это распространенное явление в реальных данных. Отсутствие данных может быть связано с утерей, техническим сбоем, переносом данных и т. д. Обычно, если пропусков в данных не много, то объекты с пропусками просто удаляются. Иначе применяются процедуры восстановление. Например, заполнение пропусков средним значением, или восстановление регрессии от других полей.
Кодирование данных. Кодирование данных подразумевает преобразование данных из формы удобной для восприятия в форму удобную для передачи, анализа, хранения данных [9]. Например, кодирование необходимо при обработке качественных данных (пол, образование, профессия и т. п.). В этом случае удобно использовать бинарный код: высшее образование - 001, среднее профессиональное образование - 010, начальное профессиональное образование 100.
Фильтрация. Нередко, качество прогноза можно существенно повысить применением сглаживающих процедур. Во-первых, реальные данные нередко содержат «шум». Это может быть связанно с природой измеряемой величины, или с погрешностями измерительной техники. Во-вторых, часто исследователя интересует не абсолютное значение прогнозируемой величины, а ее динамик, тренд.
Форматирование. Прежде чем «подавать» данные на нейронную сеть их необходимо преобразовать в определенный вид. Нейронная сеть работает с данным представленными таблично. Где по строкам располагаются объекты, а столбцы это атрибуты объектов. Как правило, последний столбец -выход, а все остальные - входы. Если мы используем исторические данные об объеме продаж, то они, как правило, представляют собой просто сведения об объеме и времени продаж. Форматирование предполагает приведение к равным, сопоставимым интервалам. И кроме того, для прогнозирования данных в момент времени могут быть полезными сведения за время ¿-1, ¿-2, ... к. Таблица как бы «разрезается». Данный прием называется погружением. А к - уровень погружения (табл. 1).
Таблица 1
Разделение данных на входы и выходы методом погружения
Вход 1 Вход 2 Выход
1 а1 а2 а3
2 а2 а3 а4
N ап-2 ап-1 ап
Формирование модели. Формирование нейросетевой модели можно представить в виде последовательности следующих шагов:
Шаг 1. Выбор структуры нейронной сети, типов нейронов и пороговых значений. Шаг 2. Обучение НС. На вход НС подаются обучающие данные, на выходе определяется ошибка. Веса НС корректируются в сторону уменьшения ошибки [3].
Шаг 3. Тестирование. После того, как выход НС достаточно точно работает на данных обучающей выборки, сети предъявляют тестовую выборку. Тестовая выборка не используется при обучении НС, и нужна для оценки качества работы сети. Если ошибка на тестовой выборке приемлем считаем, что модель готова. Иначе возвращаемся на шаг 1. При необходимости можно применять более сложные процедуры настройки [4].
Для исследования данного подхода были взяты данные о спросе для гофрированного рукава диаметром 16 мм, 20 мм и клипсы диаметров 20 мм (табл. 2). При построении НС использовалось сглаживание скользящей средней с параметром 5. Исходная выборка по каждой задаче была разбита на тестовую и обучающую. Тестовая выборка была объемом 20 % от исходной, а обучающая соответственно 80 %. Для расчета ошибки была выбрана следующая формула (1):
Е =-^--I— У (у - У*)2-100 %. (1)
шах(у) -тш(у )\
Секция «Математические методы моделирования, управления и анализа данных»
Таблица 2
Результаты прогнозирования спроса
Задача Ошибка на обучающей выборке, % Ошибка на тестовой выборке, %
Гофрированный рукав 16 мм 12,5127 11,7825
Гофрированный рукав 20 мм 13,8070 7,8906
Клипса диаметром 20 мм 10,7213 7,3700
Таким образом, предложенный подход показал свою работоспособность и может быть применен для повышения эффективности и обоснованности принятия решения при управлении запасами.
Библиографические ссылки
1. Haykin S. Neural networks, a comprehensive foundation // N. Y. : Macmillan College Publishing Company. 1994.
2. Короткий С. Современные микропроцессоры // Нейронные сети: алгоритм обратного распространения : сб. ст. / сост. В. В. Корнеев, А. В. Киселев. 2-е изд. М., 2000.
3. Короткий С. Современные микропроцессоры // Нейронные сети: основные положения : сб. ст. / сост. В. В. Корнеев, А. В. Киселев. 2-е изд. М., 2000 .
4. Семенкин Е. С. Липинский Л. В. Структурная адаптация нейронной сети методом генетического программирования // Исследование, разработка и применение высоких технологий в промышленности : сб. тр. II Междунар. науч.-практ. конф. СПб. : Изд-во Политех. ун-та, 2006.
5. Семенкин Е. С., Липинский Л. В. Применение алгоритма генетического программирования в задачах автоматизации проектирования интеллектуальных информационных технологий // Вестник СибГАУ. Вып. 3 (10), Красноярск, 2006.
© Жиратков Д. Н., 2015
