Технические науки
115
9. Пирогова Е.В. Управленческие решения: учебное пособие [Текст] / Е.В. Пирогова. - Ульяновск: УлГТУ, 2010. - 176 с.
10. Способы вычисления робастных оценок [Электронный ресурс] // Прикладная математическая статистика. - Режим доступа: http://ami.nstu.ru/ ~headrd/MSA/MSA_3.htm (дата обращения: 17.04.2014).
11. Стубарев Д.В. Исследование алгоритмов предварительной обработки данных траекторных измерений методами имитационного моделирования [Электронный ресурс] / Д.В. Стубарев // Журнал научных публикаций аспирантов и докторантов (дата обращения: 17.11.2014).
12. Устранение неопределенности [Электронный ресурс]. - Режим доступа: http://www.apkro.ru/ustranenie-neopredelennosti.html (дата обращения:
01.12.2014) .
13. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального правдоподобия [Электронный ресурс] / И.А. Чучуева // Математическое бюро. - Режим доступа: http://www.mbureau.ru/artides/dis-sertaciya-model-prognozirovaniya-vremennyh-ryadov-glava-1 (дата обращения:
18.07.2014) .
14. Шилов А.В. Анализ методов в системе выработки и принятия прогнозных решений // Перспективы развития информационных технологий. -2014. - № 20. - С. 27-34.
15. Шилов, А.В. Возможности применения энтропии как меры неопределенности при выработке прогнозных решений [Текст] / А.В. Шилов // Современные тенденции в образовании и науке: сборник научных трудов по материалам Международной научно-практической конференции. - Тамбов: ООО «Консалтинговая компания Юком», 2014. - С. 158-160.
16. Ярушкина Н.Г. Основы теории нечетких и гибридных систем [Текст] / Н.Г. Ярушкина. - М.: Финансы и статистика, 2009. - 320 с.
ОСОБЕННОСТИ ПРИМЕНЕНИЯ КОМБИНИРОВАННЫХ МЕТОДОВ В СИСТЕМЕ ВЫРАБОТКИ И ПРИНЯТИЯ ПРОГНОЗНЫХ РЕШЕНИЙ
© Шилов А.В.*
Хакасский государственный университет им. Н.Ф. Катанова, г. Абакан
Данная статья посвящена анализу возможностей комбинирования методов прогнозирования в системе выработки и принятия прогнозных решений как методу снижения неопределенности. В частности, рассмотрены: комбинирование статистических методов с эвристическими; различные комбинации нейросетевых методов и др.
Ассистент, аспирант кафедры Информационных технологий и систем.
116
ФУНДАМЕНТАЛЬНЫЕ И ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ
Ключевые слова: прогноз, система выработки и принятия прогнозных решений, комбинированный (гибридный) метод, статистический метод, экспертные оценки, методы нечёткой логики, нейросетевой метод, кластеризация.
Согласно статье [11], применение определённых методов прогнозирования в силу своей специфики (ограниченность применения к долгосрочным или краткосрочным трендам; отсутствие гибкости к флуктурирующим изменениям; субъективность экспертного суждения; и др.) может нести неопределённость при принятии прогнозных решений. Другими словами, заложенный в методе прогнозирования аппарат способен вносить неопределённость.
Одним из способов повышения точности прогнозных решений является возможность совмещения используемых методов, которая обладает свойством эмерджентности в системе выработки и принятия прогнозных решений, сглаживающая недостатки методов прогнозирования, используемых по отдельности.
Следует отметить, что при корректном сочетании методов прогнозирования возможно повысить точность прогноза, однако недостатком данного способа является сложность и большие временные издержки при разработке. Другими словами, предлагаемая в качестве гибрида существующих методов прогнозная модель должна использовать преимущества каждого из них, при этом по возможности нивелировав недостатки.
Наиболее широко используемой возможностью повышения качества прогнозных решений путём комбинирования являются различные сочетания статистических методов с другими.
Работами, посвящёнными данной возможности прогнозирования, являются исследования [2, 4, 6].
Наиболее часто используемой комбинацией является возможность совместного использования статистических и экспертных методов. В работе [4] приведены подходы к возможности использования комбинированных методов в прогнозе: корректировка статистического прогноза оценкой эксперта и механическая интеграция. Эффективность первого подхода заключается в наличии у экспертов важной информации, способной повысить качество прогноза, которая не поддаётся формализации статистическим методами или поддаётся с трудом. В частности, работа [3] содержит блок-схему прогнозного решения, которое базировано на комбинировании экстраполяции и эвристических оценок.
Метод механической интеграции, изложенный в работе [4], позволяет применять специальную формулу для объединения экспертных методов вместе со статистическими. Данная интегрированная оценка может быть получена с помощью: среднеарифметического экспертного и статистического результатов прогнозных решений. Согласно Д. Армстронгу, прогнозные ре-
Технические науки
117
шения, полученные данным образом, позволяют добиться меньшей ошибки прогнозирования, чем при использовании приведённых групп методов по отдельности, при этом наилучшие результаты будут получены при условии отрицательной корреляции между ошибками прогноза.
Согласно Х. Тейлу, метод базируется на использовании специального уравнения регрессии, где зависимой переменной являются фактические значения, а независимой - прогнозные решения, полученные с помощью экспертных заключений. Достоинством данного метода является возможность снижения субъективности оценок экспертов.
Другими возможностями использования комбинированного подхода при выработке и принятии прогнозных решений, согласно исследованию [10], является комбинирование нейросетевых методов с другими, среди них наиболее используемыми и эффективными являются: регрессии; нечёткой логики; экспертных методов; и др.
Исследованием, посвящённым проблеме использования комбинации регрессионных и нейросетевых методов, является [1]. В данной работе рассмотрена нечёткая регрессионная прогнозная многофакторная модель, основанная на использовании традиционных коэффициентов регрессии и нечётких, основанных на интервальных оценках, где данные параметры вычисляются с помощью формулы (1):
ai = (ai - bi, ai, ai + bi X (1)
где at - наиболее вероятное значение коэффициента, а величина bt - описывает ширину размытости коэффициента.
Анализируя работы, посвящённые проблеме совместного использования нейросетевых методов с другими методами, следует привести исследование [6], где приведена модель, заключающаяся в первоначальном нахождении расхождений прогнозных значений с фактическими с использованием логико-лингвистического подхода, основанного на анализе нечётких множеств, затем в случае невозможности найти решение с использованием нечётких множеств (обозначен признак ситуации с неопределённостью) происходит подключение менеджера, который сужает множество альтернатив на параметрическом уровне, вводя дополнительные гипотезы для устранения неопределенности цели.
В работе [10] приведены алгоритмы прогнозирования с использованием механизма кластеризации, а именно с помощью методов ^-средних и C-средних. Цель процедуры кластеризации - извлечение полезной информации из временного ряда для последующего процесса прогнозирования.
В работе [7] описаны алгоритмы кластеризации K-средних и C-средних. Наиболее распространённым алгоритмом из данной категории является метод K-средних, «строящий» определённое число кластеров, которые рас-
118
ФУНДАМЕНТАЛЬНЫЕ И ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ
положены как можно дальше друг от друга. Недостатком данного алгоритма является необходимость задавать количество кластеров.
Наиболее широко применимым алгоритмов среди методов нечёткой кластеризации является алгоритм С-средних, представляющий собой, по сути, модификацию метода ^-средних. Ограниченностью использования данного алгоритма является то, что он не может быть применим, если число кластеров не является известным заранее.
Методы С-средних и ^-средних являются итерационными, т.е. позволяют найти конечное решение за определённое число шагов согласно критерию останова.
Большое число комбинированных методов прогнозирования на основе нейронных сетей применяются для решения задачи кластеризации, а далее для каждого кластера строится отдельная модель прогнозирования, например, на основе нечёткой логики.
Таким образом, базовые методы в составе комбинированных взаимо дополняют друг друга. Часто один из методов может быть рассмотрен как средство контроля результатов, полученных с помощью другого метода.
Гибридные методы, как правило, обладают синергетическим эффектом, заключающимся в то, что ограниченность использования и недостатки одного метода компенсируются достоинствами других.
Среди рассмотренных комбинированных (гибридных) методов в данной статье следует выделить интеграцию статистических и эвристических методов, позволяющую увеличить качество прогнозного решения путём подключения экспертных оценок. Использование специального уравнения регрессии, где в качестве независимых переменных выступают прогнозные решения, полученные путём экспертных заключений, позволяет уменьшить субъективизм оценок экспертов.
Другой возможностью является гибрид нейросетевых и других методов, которыми могут быть: регрессия; нечёткая логика; экспертные оценки; также приводящий к повышению качества прогноза.
Использование комбинированных методов прогнозирования, которые основаны на предварительной кластеризации (с использованием соответствующих алгоритмов, рассмотренных в работе - K-средних и C-средних) и последующем прогнозировании, также является одним из эффективных методов при принятии прогнозных решений.
Список литературы:
1. Бирюков А.Н. Нечеткая регрессионная прогнозная многофакторная модель для решения экономической прикладной задачи [Электронный ресурс] / А.Н. Бирюков // Управление экономическими системами: электронный научный журнал. - Режим доступа: http://www.uecs.ru/demografiya/item/ 156-2011-03-23-08-00-45 (дата обращения: 10.08.2014).
Технические науки
119
2. Давыденко А.В. Модели и методы комбинированного прогнозирования спроса на продукцию фирмы: Автореферат диссертации [Электронный ресурс] / А.В. Давыденко // Экономическая библиотека. - Режим доступа: http://economy-lib.com/modeli-i-metody-kombinirovannogo-prognozirovaniya-sprosa-na-produktsiyu-fumy (дата обращения: 22.11.2014).
3. Ельдештейн, Ю.М. Логистика [Электронный ресурс] / Ю.М. Ельде-штейн // Центр дистанционного обучения ФГОУ ВПО «Красноярский государственный аграрный университет». - Режим доступа: http://www.kgau.ru/ distance/fub_03/eldeshtein/logistika/0b_soderz.html (дата обращения: 11.11.2014).
4. Корнилова А.Ю, Палей Т.Ф. Проблемы применения методов экспертных оценок в процессе экономического прогнозирования развития предприятия [Электронный ресурс] / А.Ю. Корнилова, Т.Ф. Палей // Евразийский международный научно-аналитический журнал. - Режим доступа: http://www.m-economy.ru/art.php?nArtld=3225 (дата обращения: 22.11.2014).
5. Локтаев, С.В. Математические модели и методы принятия решений
при управлении организационными системами [Электронный ресурс] / С.В. Локтаев // Dissers.ru - бесплатная электронная библиотека. - Режим доступа: http://www.dissers.ru/2tehnicheskie/matematicheskie-modeli-metodi-
prinyatiya-resheniy-pri-upravlenii-organizacionnimi-sistemami-05 -13-01 -sistem-niy-analiz-upravlenie.php (дата обращения: 17.03.2015).
6. Немец С.Ю. Комбинированные методы прогнозирования на основе ретроспективных оценок и внутренних характеристик временных рядов [Электронный ресурс] / С.Ю. Немец // Диссертации в Техносфере. - Режим доступа: http://tekhnosfera.com/kombinirovannye-metody-prognozirovaniya-na-osnove-retrospektivnyh-otsenok-i-vnutrennih-harakteristik-vremennyh-ryadov #ixzz3JnRiIFlY (дата обращения: 09.10.2014).
7. Обзор алгоритмов кластеризации данных [Электронный ресурс] // Хабрахабр. - Режим доступа: http://habrahabr.ru/post/101338 (дата обращения: 19.03.2015).
8. Тарасенко Р.А., Сидоркин К.В., Костюхин М.Н. Прогнозирование на основе аппарата нейронных сетей [Электронный ресурс] / Р.А. Тарасенко, К.В. Сидоркин, М.Н. Костюхин // Официальный сайт Харьковского политехнического университета. - Режим доступа: kpi.kharkov.ua>archive/Науко-ва_перюдика (дата обращения: 18.01.2015).
9. Таскин А.С., Миркес Е.М., Сиротинина Н.Ю. Применение нечеткой классификации для гибридных линейных методов прогнозирования [Электронный ресурс] / А.С. Таскин, Е.М. Миркес, Н.Ю. Сиротинина // Моделирование и анализ информационных систем. - Режим доступа: www.math-net.ru/php/archive.phtml?wshow=paper&jrnid=mais&paperid=315&option_lang =rus (дата обращения: 18.07.2014).
10. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального правдоподобия [Электронный ресурс] / И.А. Чучуева //
120
ФУНДАМЕНТАЛЬНЫЕ И ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ
Математическое бюро. - Режим доступа: www.mbureau.ru/artides/dissertaciya-model-prognozirovani-vremennyh-ryadov-glava-1 (дата обращения: 18.07.2014).
11. Шилов А.В. Анализ методов в системе выработки и принятия прогнозных решений / А.В. Шилов // Перспективы развития информационных технологий. - 2014. - № 20. - С. 27-34.
12. Яровенко Л.Л. Комбинированный метод прогнозирования доходности инновационной деятельности предприятия [Электронный ресурс] / Л.Л. Яровенко // Вестник Оренбургского государственного университета: электронная версия. - Режим доступа: http://cyberleninka.ru/artide/n/kombinirovannyy-me-tod-prognozirovaniya-dohodnosti-innovatsionnoy-deyatelnosti-predpriyatiy (дата обращения: 04.08.2014).