CC BY
364
УДК зз
М. Г. Илларионов, А. П. Кирпичников, Р. Р. Латыпова
ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ
Ключевые слова: прогнозирование, нейронные сети, метод сопряженных градиентов.
Дана классификация нейронных сетей. Приведен пример прогноза основных показатели грузоперевозок по РФ на основе нейронной сети в программе Statistica в модуле Neural Networks.
Keywords: forecasting, neural networks, the method of conjugate gradients.
Classification of neural networks is given. The example of the forecast of the cores indexes of a cargo transportation across the Russian Federation on the basis of a neural network in program Statistica in Neural Networks unit is resulted.
Прогнозирование - это ключевой момент при принятии решений в управлении. Конечная эффективность любого решения зависит от последовательности событий, возникающих уже после принятия решения. Возможность предсказать неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который, в противном случае, мог бы быть не таким удачным. Целью прогнозирования является уменьшение риска при принятии решений. Прогноз обычно получается ошибочным, но ошибка зависит от
используемой прогнозирующей системы. Предоставляя прогнозу больше ресурсов, увеличивается точность прогноза, и
уменьшаются убытки, связанные с
неопределенностью при принятии решений. Что же касается нейросети, то нейросеть представляет собой вычислительный алгоритм, функционирующий наподобие мозга, который состоит из простейших вычислительных элементов — искусственных нейронов.
Существуют несколько видов нейросетей. Их классификация представлена на рисунке 1 [1].
Рис. 1 - Классификация ИНС
Основной этап работы с нейросетью это ее обучение. На данном этапе определяются веса для каждого нейрона. При обучении происходит прогон множества примеров через сеть с коррекцией весов нейронов и с указанием значений, которые подаются на вход, и значений, которые должны быть получены на выходе нейросети. В процессе обучения происходит подстройка (коррекция) весов нейронов таким образом, чтобы
уменьшить функцию ошибки, которая равна разности выхода нейросети и требуемого выходного значения.
Приведем пример прогноза на 2012 год основных показатели грузоперевозок по РФ в модуле Neural Networks, входные данные представлены в таблице 1. Модуль Neural Networks работает как автономно, так и под программой Statistica [2. 75].
Таблица 1 - Основных показатели грузоперевозок 1998-2011 по РФ
Год ВРП (млрд. руб.) Цена топ- лива (руб) Грузо- оборот (милли- ардов тонно- кило- метров) Инвестиции в основной капитал транспортной отрасли (млрд.руб.)
1998 2251,977 5,00 140,82 11,2
1999 3827,375 6,00 146,76 13,5
2000 5753,671 7,00 152,70 18,5
2001 7170,968 7,80 158,65 17,3
2002 8741,219 9,80 164,59 16,9
2003 10742,423 10,50 170,53 16,3
2004 13964,305 11,00 153,00 16,1
2005 18034,385 12,00 194,00 15,8
2006 22492,119 17,00 199,00 16,7
2007 27963,955 20,00 206,00 17,5
2008 33908,756 22,00 216,00 18
2009 32072,3552 25,00 180,00 18,4
2010 35166,472 26,00 212,13 18,4
2011 38180,241 28,00 218,08 19
После построения сети определилось ее структура, и сеть была обучена на основе метода сопряженных градиентов. Для нейронной сети каждая переменная будет служить входной/выходной (т.к. прогноз бедующего значения ряда происходит на основе предыдущих значений). Например, для прогноза ВРП был построен трехслойный персептрон, который имеет 12 входов. Трехслойный персептрон представлен на
рисунке 2.
Рис.2 - Трехслойный персептрон
После проведения прогноза были
получены следующие результаты: прогноз на 2012 год по ВРП составит 40337,23 млрд.руб., что же касается прогноза на 2012 год цены топлива то она составит 28,18 руб., прогноз на 2012 год - Грузооборот, оставит 224,16 (миллиардов тонно-километров, Прогноз на 2012 год - Инвестиции в основной капитал транспортной отрасли составит 19,3 млрд.руб.
Простота и наглядность модуля Neural Networks позволит быстро провести прогноз на основе нейронной сети интересующей области.
Литература
1. Боровиков, В. П. Statistica. Искусство анализа данных на компьютере / В. П. Боровиков -СПб: Питер, 2006. - 688 с.
2. Боровиков, В.П. Нейронные сети.
STATISTICA Neural Networks: Методология и технология современного анализа данных / В. П. Боровиков - М.: Горячая линия - Телеком, 2008. - 392 с
© М. Г. Илларионов - канд. экон. наук, доц., зав. каф. менеджмента Казанского филиала Санкт-Петербургского университета управления и экономики, maxgeni@yandex.ru; А. П. Кирпичников -д-р физ.-мат. наук, зав. каф. интеллектуальных систем и управления информационными ресурсами КГТУ, kirpichnikov@kstu.ru; Р. Р. Латыпова - ст. препод. той же кафедры, ramilyai983@mail.ru.
