CC BY
173Решетнеескцие чтения. 2015
5. Круглов В. В., Борисов В. В. Искусственные нейронные сети: теория и практика. М. : Горячая линия - Телеком, 2002.
6. Brester C., Semenkin E., Sidorov M., Semenkina O. Multicriteria Neural Network Design in the Speech-Based Emotion Recognition Problem // Proceedings of the 12th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO'2015). Colmar, France, 2015. Vol. 1. P. 621-628.
References
1. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Vestnik SibGAU. 2013. No. 4, рр. 148-152.
2. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Vestnik SibGAU. 2013. No. 4, рр. 112-116.
3. Akhmedova Sh. A., Semenkin E. S. Development of a new optimization metaheuristic based on cooperation
of biology related algorithms // Vestnik SibGAU. 2013. No. 4, рp. 92-99.
4. Brester C., Semenkin E. Cooperative Multi-Objective Genetic Algorithm with Parallel Implementation // 6th International Conference on Swarm Intelligence (ICSI 2015), Beijing, China, 2015, рp. 471-478.
5. Kruglov V. V., Borisov V. V. Iskusstvennye ney-ronnye seti: teoriya i praktika [Artificial neural networks: theory and practice]. Moscow, Goryachaya liniya - Telecom, 2002.
6. Brester C., Semenkin E., Sidorov M., Semenkina O. Multicriteria Neural Network Design in the Speech-Based Emotion Recognition Problem // Proceedings of the 12th International Conference on Informatics in Control, Automation and Robotics (ICINC0'2015), Colmar, France, 2015. Vol. 1, рp. 621-628.
© Брестер К. Ю., Семенкина О. Э., Колемайнен М., 2015
УДК 004.09
О ПРОГНОЗИРОВАНИИ РЫНКА ЦВЕТНЫХ МЕТАЛЛОВ
Е. В. Бурдина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Решение проблемы прогнозирования, вследствие быстрых, порой плохо предсказуемых, изменений внешней среды, за последние десятилетия стало особенно сложным. В условиях практически полной переориентации предприятий отечественной цветной металлургии на экспорт проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер.
Ключевые слова: временные ряды, прогнозирование, рынок, цветные металлы, нейронные сети.
ABOUT FORECASTING MARKET OF NONFERROUS METALS
E. V. Burdina
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
The forecasting problem for fast, sometimes poorly predictable changes in the external environment over the past decade has become particularly difficult. In the context of an almost complete reorientation of the domestic non-ferrous metallurgy enterprises to export the problem of forecasting changes in prices for non-ferrous metals on the world metals market has become extremely acute.
Keywords: temporary series, forecasting, market, non-ferrous metals, neural networks.
Необходимость прогнозирования объективна. Будущее многих явлений неизвестно, но весьма важно для решений, принимаемых в настоящий момент.
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых, изменений внешней среды, за последние десятилетия стала особенно слож-
ной. С учетом этих трудностей и критичности ошибок в прогнозах некоторые специалисты были вынуждены заговорить о тщетности прогнозирования. На самом деле прогнозирование - это обязанность, которую в явной или неявной форме неизбежно должны выполнять все организации [1].
Математические методы моделирования, управления и анализа данных
В современных условиях практически полная переориентация предприятий отечественной цветной металлургии на экспорт, обусловленная слабым платежеспособным спросом на цветные металлы потребителей на внутреннем рынке, с одной стороны, обеспечила их эффективную работу при переходе национальной экономики на рыночные отношения, а с другой стороны, привела к значительной зависимости этого сектора экономики от колебаний конъюнктуры мирового рынка цветных металлов.
В этих условиях проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер.
Целью данной работы является определение эффективности методов прогнозирования для конкретных временных рядов - курсов цен на цветные металлы (алюминий, никель).
Для достижения поставленной цели были решены следующие задачи:
- выбор инструментария для решения задач прогнозирования;
- анализ существующих методов прогнозирования временных рядов;
- сравнительный анализ методов прогнозирования.
Обработка временных рядов в настоящее время
является актуальным инструментом анализа информации, накапливаемой в процессе контроля и управления технологическими процессами, мониторинга окружающей среды, исследования экономических показателей [2].
Основой методики прогнозирования являются проведение аналитического исследования, подготовка базы данных, изучение и соединение информации в единое целое.
Новизна полученных результатов состоит в том, что впервые временные ряды курсов цен на цветные металлы изучены с помощью широкого набора различных методов прогнозирования.
Практическая ценность работы состоит в том, что выбор методов прогнозирования временных рядов курсов цен на цветные металлы сужен до трех подходов - АРПСС, искусственные нейронные сети и экспоненциальное сглаживание.
К настоящему времени проведено много исследований и получены впечатляющие практические решения проблемы прогнозирования в науке, технике, экономике и других областях. Внимание к этой проблеме обусловлено в том числе масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления, а также накопленным опытом.
Необходимость применения информационных технологий обусловлена рядом причин, в числе которых рост объемов информации, сложность алгоритмов расчета и интерпретации результатов, высокие требования к качеству прогнозов, необходимость использования результатов прогнозирования для решения задач планирования и управления.
Система 8ТЛТ18Т1СЛ, используемая в данной работе при построении прогнозов, производится фирмой 81а18ой!пс., основанной в 1984 г. группой амери-
канских университетских преподавателей, удачно соединивших апробированные теоретические разработки в области статистики с новейшими достижениями в программировании.
Для прогнозирования с помощью статистического пакета STATISTICA были использованы метод ARIMA (АРПСС) и Exponential smoothing & forecasting (Экспоненциальное сглаживание и прогнозирование).
ARIMA (АРПСС) - метод авторегрессии и проинтегрированного скользящего среднего. Этот важный класс параметрических моделей, описывающий и нестационарные ряды, имеет большое практическое значение.
Exponential smoothing & forecasting - экспоненциальное сглаживание и прогнозирование. Методы экспоненциального сглаживания позволяют сгладить наблюдаемый ряд, выделить из него шум и прогнозировать будущие значения. Различные виды трендов и сезонность могут быть учтены в модели. Доступны модели с аддитивным и мультипликативным шумом [3].
Для прогнозирования с помощью нейронных сетей использовался программный продукт STATISTICA Neural Networks.
Нейронные сети - это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. Важнейшая особенность сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями. Другое важное свойство - способность к обучению и обобщение накопленных знаний. Натренированная на ограниченном множестве данных, сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения.
Для получения наилучших результатов использовались различные комбинации параметров и выбиралась лучшая из них. Для никеля и алюминия выбирались разные конфигурации нейронных сетей. Для никеля это был многослойный персептрон, а для алюминия - многослойный персептрон и радиальная базисная функция.
Как было сказано ранее, методы прогнозирования учитывают историю, т. е. используют только те данные, которые наблюдались ранее, по которым невозможно сказать, будет ли внезапный рост цен или нет. Методы не могут спрогнозировать какие-либо случайные «скачки» данных. В данной работе в этом можно убедиться. В период, когда делался прогноз, цены и на никель, и на алюминий резко изменились [4; 5]. Этого методы не смогли спрогнозировать. И тем не менее, практически все методы после внезапных скачков продолжили нормальную работу (ошибка уменьшилась).
Все методы показывают достаточно хорошие результаты, поэтому не возможно выбрать из трех методов наиболее эффективный.
В дальнейшем планируется анализ работы в системе RapidMiner. Эта система обладает очень серьезным набором алгоритмов для обработки и анализа, включая обработку больших массивов данных [6].
Решетнееские чтения. 2015
Библиографические ссылки
1. Голубков Е. П. Маркетинговые исследования: теория, методология и практика. М. : Финпресс, 1998.
2. Еремеевский А. А., Ханов В. Х. Метод поиска заданного шаблона во временном ряду // Вестник СибГАУ. 2010. № 4(30). С. 27-29.
3. Боровиков В. П., Ивченко Г. И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере.
4. Информационно-аналитический портал, посвященный рынкам цветных металлов, металлопроката, рудного сырья и ферросплавов [Электронный ресурс]. URL: http://www.infogeo.ru/metalls/press/?act= show&rev=156 (дата обращения: 27.05.2015).
5. Информационно-аналитический портал, посвященный рынкам цветных металлов, металлопроката, рудного сырья и ферросплавов [Электронный ресурс]. URL: http://www.infogeo.ru/metalls/press/?act= show&rev=158. (дата обращения 29.05.2015).
6. Новые информационные технологии и программы [Электронный ресурс]. URL: http://pro-spo.ru/systeml/1360-rapidminer (дата обращения 27.06.2015).
References
1. Golubkov E. P. Marketingovye issledovanija: teorija, metodologija i praktika. M. : Finpress, 1998.
2. Eremeevskij A. A., Hanov V. H. Metod poiska zadannogo shablona vo vremennom rjadu // Vestnik SibGAU. 2010. No. 4, p. 27-29 (In Russ.).
3. Borovikov V. P., Ivchenko G. I. Prognozirovanie v sisteme STATISTICA v srede Windows. Osnovyteorii i intensivnaja praktika na komp'jutere.
4. Informacionno-analiticheskij portal, posvjashhen-nyj rynkam cvetnyh metallov, metalloprokata, rudnogosyr'ja i ferrosplavov. Available at: http://www. infogeo.ru/metalls/press/?act=show&rev=156 (accessed: 27.5.2015).
5. Informacionno-analiticheskij portal, posvjashhen-nyj rynkam cvetnyh metallov, metalloprokata, rudnogosyr'ja i ferrosplavov. Available at: http://www. infogeo.ru/metalls/press/?act=show&rev=158 (accessed: 29.5.2015).
6. Novye informacionnye tehnologii i programmy. Available at: http://pro-spo.ru/systeml/1360-rapidminer (accessed: 27.6.2015).
© EypgHHa E. B., 2015
УДК 519.873
АНАЛИЗ МЕТОДОВ ПОВЫШЕНИЯ УРОВНЯ НАДЕЖНОСТИ ИНФОРМАЦИОННЫХ СИСТЕМ
С. С. Бычков
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Представлены современные методы повышения уровня надежности информационных систем. Для анализа уровня надежности рассмотрены методы расчета уровня надежности информационной системы. Рассмотрены методы, позволяющие повысить уровень надежности информационной системы на различных этапах существования информационной системы, методы прогнозирования уровня надежности информационной системы, а также вероятности возникновения ошибок при эксплуатации информационной системы.
Ключевые слова: математическое моделирование, оптимизация, надежность, информационная система, анализ.
ANALYSING METHODS TO INCREASE LEVEL OF RELIABILITY OF INFORMATION SYSTEMS
S. S. Bychkov
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
Modern methods to increase the level of reliability of information systems are considered. Special mathematical methods are necessary to analyze the level of reliability of information systems. They are to increase level of reliability of information system at various stages. Special mathematical methods, up to forecast level of reliability of information system, and probability of emergency at information system the operation are studied.
Keywords: mathematical modeling, optimization, reliability, information system, analysis.
