Научная статья на тему 'Разработка программного комплекса адаптивного нейропрогнозирования'

Разработка программного комплекса адаптивного нейропрогнозирования Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
85
47
i Надоели баннеры? Вы всегда можете отключить рекламу.
i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Разработка программного комплекса адаптивного нейропрогнозирования»

ние математики в экономических, технических и педагогических исследованиях: сб. науч. тр. Магнитогорск, 2005.

2. Вафин Р.К., Покровский А.М., Лешковцев В.Г. Прочность термообрабатываемых прокатных валков. М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 264 с.

3. Лабейш В.Г. Жидкостное охлаждение высокотемпературного металла. Л.: Изд-во ЛГУ, 1983. 172 с.

4. Яненко Н.Н. Метод дробных шагов решения многомерных задач математической физики. Новосибирск: Наука, 1967.

РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА АДАПТИВНОГО НЕЙРОПРОГНОЗИРОВАНИЯ

О.И. Пятковский, д.т.н.; А.С. Авдеев

(Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул,

poi1952@mai.ru, ishlmael@bk.ru)

Предлагается комплексный подход к повышению качества нейросетевых моделей прогноза за счет использования методов предобработки временных рядов, контроля адекватности прогнозных моделей и их адаптации. Данный подход реализуется в разработанном аналитическом программном комплексе.

Ключевые слова: прогнозирование временных рядов, нейронные сети, адаптивные модели прогнозирования.

Эффективное управление предприятием невозможно без решения задач прогнозирования различных технико-экономических показателей. Существует большое количество математических моделей временных рядов, решающих задачу прогнозирования, в том числе на базе аппарата искусственных нейронных сетей [1]. При использовании данных моделей возникает необходимость в адаптивном прогнозе. В связи с этим актуальной является разработка новых методов, алгоритмов и программно-математических инструментариев на их основе, делающих возможным получение эффективных прогнозных моделей с механизмом адаптации.

Цель работы - разработка программного комплекса адаптивного нейропрогнозирования вре-

MCi.-.MCL

гэс1...гэсн нс1...нс°

Интерпретатор

Конструктор

Предобработчик

Задачник

—*

Контрастер

МД1

Модуль принятия решений

МД2

МПРД1

МПРД2

МДт

МПРДт

Процесс

Рис. 1. Архитектура информационных систем с адаптаптивными интеллектуальными компонентами

менных рядов на примере объемов продаж автомобилей. Общая структура информационных систем (ИС), использующих интеллектуальные аналитические модули, показана на рисунке 1. Интеллектуальные модули представлены в виде гибридных экспертных систем {ГЭС1, ГЭС2,..., ГЭСН}, в которых используются нейросетевые адаптивные блоки {НС1, НС2,..., НС0} с модулями датчиков {МД1, МД2, ...,МДП} [2]. На вход датчиков поступают измеряемые показатели процесса, на основе которых рассчитываются коэффициенты {КьК2,...,Кт}; значения коэффициентов используются модулями принятия решений {МПРД1, МПРД2, ...,МПРДП}. Далее они поступают в блок принятия решения более высокого уровня для управления работой интеллектуального блока.

Представленная система позволяет осуществлять контроль за следующими этапами создания прогнозной ней-росетевой модели: проверка однородности данных, фильтрация ряда, повышение информативности данных, погружение ряда, формирование комитета сетей. На рисунке 2 представлена модель нейросетевого блока с адаптивными датчиками.

В состав каждого контролирующего блока входят модуль датчика, перечень рассчитываемых коффициентов, а также модуль принятия решений, в котором в виде правил продукции заложен алгоритм действий в зависимости от значений коэффициентов.

С помощью методов фильтрации снижается размерность ряда, отделяются трендовые изменения от нетрен-довых. В модели используются следующие методы фильтрации: скользящее среднее, экспоненциальное сглаживание, вейвлет-преобразование. Ал-

удовлетворительными характеристиками. В этом случае строится обобщенный прогноз, который формируется как линейная комбинация: У' = Е^ур где М - число объединяемых прогнозов; pj - весовые коэффициенты частных прогнозов; у' - частные прогнозы. Весовые коэффициенты определяются из условия минимума дисперсии ошибок обобщающего прогноза.

В общем случае модель нейро-прогнозирования считается адекватной до тех пор, пока в систему не поступает достаточное количество данных, на основании которых принимается решение о необходимости изменения параметров модели. Такой же вывод можно сделать на основе анализа данных, выдаваемых самой моделью. В существующей модели при поступлении нового фактического значения вычисляются следующие

_ Ау§(ВРИСХОДНЫЙ)

Ау§(ВРтекущий))'

Р'вР(ВРиСХОДНЬй)

Рис. 2. Модель адаптивного нейросетевого блока

индикаторы: K_Disp =

_ Ау§(ВРисходный

K_Avg

Disp(BPT

й))'

K

NewAvg

горитм датчика позволяет выбрать метод фильтрации на основании следующих критериев:

-— - средняя абсолютная ошибка;

MAPE =

MaxAPE = MAX l—l - максимальная абсолютная lytl

ошибка; MPE =

VN et ^t=1yt

- средняя ошибка; R

2 _

= 1 -

VN e2 ¿1=1 et

^ (у _)2 - коэффициент детерминации

(где N - количество значений ряда, У( - значение ряда, е( - ошибка модели фильтрации, у - среднее значение).

В результате повышения информативности временной ряд преобразуется к виду у- = У' — -у!_1, у' = —, у- = у'_у'-1. Коэффициенты,

У'-1 У'-1

влияющие на алгоритм преобразования: КдГ'Г1 =

= maxi

Avg(mi)

, MRC =

iN=iiyi-

yi-ll

sN=iiyii

При погружении временного ряда используется метод скользящего окна. Для сформированной обучающей выборки рассчитывается константа

Липшица: LCONSX=maxi ^ т-^-Х^г, где f - таблично

заданная функция, которая в точках X! принимает значения На основе анализа константы Липшица делается заключение о том, насколько удачно выбраны вид и размер окна погружения.

В результате обучения нейронных сетей может получиться несколько моделей, обладающих

, Кст = lX^l, где Avg()

Avg^oBb™)) ст I » I s

- среднее значение временного ряда; Disp() - дисперсия значений временного ряда; ст - стандартное отклонение; X - новое значение временного ряда; X - среднее значение текущей выборки. Далее рассчитанные индикаторы поступают на вход продукционной экспертной системы, в которую в виде правил продукции заложен алгоритм дообучения. Алгоритм представляет собой множество конъюнктивных правил вида:

Pr: (d(K_Avg)) 6D(K_Avg), d(K_Disp)) 6 6D(K_Disp), d(K_New_Avg)) 6D(K_New_Avg), d(K_ ст)) 6D(K_ a))^d(Decide), где d(x) - текущее значение параметра x; D(x) - множество интервалов, определенное для параметра x.

Модель программного комплекса, который реализуют описанные алгоритмы и методы системы нейропрогнозирования, представлена на рисунке 3.

Средством программной реализации клиентских приложений аналитического программного комплекса является среда программирования Visual Studio 2008. Модуль реализован в виде динамической библиотеки и легко может быть интегрирован в любую существующую информационную систему.

Эффективность использования созданного программного комплекса подтверждается результатами сравнения прогнозных значений, полученных с помощью разработанной модели, и значений, полученных при помощи стандартных мето-

Параметры Временной

Новые значения временного ряда

Рис. 3. Структура нейросетевого блока

дов нейропрогнозирования (табл. 1). Исходными данными при создании и тестировании моделей служили значения ежемесячных продаж автомобилей регионального автодилера ОАО «Алтай-Лада» (г. Барнаул).

Таблица 1

Сравнение моделей

Для проверки работы блока адаптации (Ка) в ходе имитационного эксперимента получены следующие значения коэфициентов: К_Ау§ = 0.08, К018р = 07, КЫешАуё = 5, К^^п = 1«5, Ko_max = =2.45. В результате моделирования поступления новых фактических значений рассчитаны значе-

ния индикаторов и определены моменты их срабатывания. В результате процесс дообучения был запущен на 6, 13, 14, 17 и 21-м шагах поступления новых значений.

Эффективность блока динамической адаптации (Ка) иллюстрирует таблица 2, в которой приведены ошибки прогнозов для начальной модели, для модели, проходящей процедуру дообучения на каждом шаге, и для модели, дообучающейся в выявленных точках.

Таблица 2

Ошибки прогнозов

Шаг Без дообучения Дообучение на каждом шаге Модуль адаптации (Ка)

01.10.2006 39.73 % 39.73 % 39.73 %

01.03.2007 42.46 % 42.58 % 36.15 %

01.10.2007 38.15 % 44.43 % 31.64 %

01.11.2007 45.37 % 38.15 % 27.52 %

01.02.2008 48.41 % 34.87 % 23.21 %

Модель 01.05. 2006 01.06. 2006 01.07. 2006 01.08. 2006 01.09. 2006

Нейросеть № 1 56 55 66 75 75

Нейросеть № 2 60 58 70 72 72

Адаптивная нейро-сетевая модель 55 59 66 75 78

Факт продаж 52 64 60 80 92

Разработанный программный комплекс применяется для эффективного решения задачи прогнозирования различных временных рядов. Интеграция комплекса с учетной системой автодилера позволила руководству предприятия решить сразу несколько управленческих задач, таких как получение достаточно полной информации о сбытовой деятельности автодилера, получение перспективного прогноза продаж, возможность гибкого формирования заявок на автомобили.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Литература

1. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: учеб. пособие. М.: Финансы и статистика, 2003. 416 с.

2. Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием. Барнаул: Изд-во АлтГТУ, 1999. 355 с.

3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издат. фирма РАН, 1996. 276 с.

РЕАЛИЗАЦИЯ ШВВ-ПРИЛОЖЕНИЯ ДЛЯ ИНФОРМАЦИОННО-ИССЛЕДОВАТЕЛЬСКОЙ СИСТЕМЫ «ШЛАКОВЫЕ РАСПЛАВЫ»

М.А. Григорьева; Л.И. Воронова, д.ф.-ж.н.

(Российский государственный гуманитарный университет, г. Москва, magsend@gma.il.сот, voronova2001@mail.ги)

В статье рассматриваются методы реализации web-приложения для информационно-исследовательской системы «Шлаковые расплавы». Описаны основные технологии среды Apache Cocoon для разработки web-приложений и способы их применения в данной системе.

Ключевые слова: web-приложение, Apache Cocoon, Cocoon Forms, модальный метод, продолжения, конвейер.

В Российском государственном гуманитарном университете (г. Москва) разработана информационно-исследовательская система (ИИС) «Шлаковые расплавы», которая обеспечивает реализацию комплексных компьютерных экспериментов для моделей многокомпонентных шлаковых расплавов большого размера (104-105 частиц). В рамках единой интегрированной среды распределенной ИИС реализуются компьютерные эксперименты квантово-химическим, молекулярно-динамичес-ким и статистико-геометрическим методами на основе комплексной модели многочастичной системы с сильным взаимодействием. ИИС имеет как научную, так и образовательную направленность. В ее проектировании и оптимизации активное участие принимают аспиранты и студенты, с их помощью реализовано большое количество модулей (Подсистема распределенного молекулярно-дина-мического моделирования информационно-исследовательской системы «Шлаковые расплавы» (Рыжов Н.А., Воронов В.И., Тен Э.А., Гусев А.И., Тетерин С.А., Суд-ников А.В., Середа Д.В., Трофимова Л.А.) зарегистрирована в ОФАП 04.02.2004, свид. № 3158).

ИИС является системой с удаленным доступом, позволяющей проводить компьютерное моделирование на ресурсах разработчика через Интернет. Удаленный доступ реализуется с помощью новейших технологий, обеспечивающих модульность, масштабируемость, удобство поддержки и модификации web-приложения. Для обеспечения удаленного доступа к ИИС, управления ходом компьютерного эксперимента и работой с БД разработано web-приложение на основе среды Apache Cocoon 2.1, которая архитектурно располагается

между БД и сервером приложений J2EE (Java 2 Enterprise Edition) Apache Tomcat и представляет собой среду для публикации динамического web-контента на основе технологии конвейерной обработки данных [1].

На рисунке 1 схематично изображен принцип конвейерной обработки XML-данных.

Трансформация

Сериализация

Рис. 1. Принцип конвейерной обработки XML-данных

По конвейеру последовательно в виде потока событий SAX (Simple API for XML - способ последовательного чтения/записи XML-файлов) перемещаются XML-данные. При этом происходит преобразование XML-данных от исходной формы к требуемой. Схема обработки данных находится в файле sitemap.xmap. Он представляет собой XML-документ со специальным синтаксисом, позволяющим указывать генераторы, трансформаторы и сериализаторы для различных ресурсов [2].

Описание конфигурационного файла проекта (SITEMAP)

Основная цель SITEMAP состоит в том, чтобы позволить разработчикам, не являющимся специалистами в области программного обеспечения, создавать web-сайты и weft-приложения из логических компонентов и XML-документов.

Генерация

i Надоели баннеры? Вы всегда можете отключить рекламу.