ВЫБОР МЕТОДА ПРОГНОЗИРОВАНИЯ ПРОБЕГА АВТОТРАНСПОРТА Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.67

ВЫБОР МЕТОДА ПРОГНОЗИРОВАНИЯ ПРОБЕГА АВТОТРАНСПОРТА

А. А. Ключаров Научный руководитель - А. Г. Зотин

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: sanekklyucharo@yandex.ru

Рассматриваются аспекты решения задачи прогнозирования пробега автотранспорта. Приведено сравнение метода экспоненциального сглаживания и регрессионной модели прогнозирования. На графике представлены ошибки прогнозирования.

Ключевые слова: прогнозирование, модель прогнозирования, математическая модель, регрессионная модель прогнозирования, экспоненциальное сглаживание, исходные данные.

CHOOSING A METHOD FOR PREDICTING VEHICLE MILEAGE

A. A. Klyucharov Scientific supervisor - A. G. Zotin

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation Е-mail: sanekklyucharo@yandex.ru

The paper discusses aspects of solving the problem of the vehicles' mileage prediction. A comparison of the exponential smoothing method and the regression forecasting model is presented. The graph shows the prediction errors.

Keywords: forecasting, forecasting model, mathematical model, regression forecasting model, exponential smoothing, source data.

На сегодняшний день на предприятиях, имеющих в своём распоряжении автотранспорт, раз в квартал происходит закупка горюче-смазочных материалов (ГСМ). Раз в три месяца возникает проблема в подсчете необходимого количества топлива на следующий квартал. Помимо ГСМ, необходимо закупать запасные части и расходные материалы для автотранспорта. Даже если на предприятии есть система по контролю и учёту автотранспорта, она не всегда покрывает задачи, связанные с прогнозированием пробега и расхода ГСМ.

Для решения данных проблем необходим модуль, который позволит обрабатывать данные пробега прошлых лет и прогнозировать пробег на следующий квартал. Благодаря, такому модулю сотрудники предприятия, занимающиеся закупкой ГСМ и планированием деятельности компании, будут видеть примерный пробег и затраты ГСМ в следующем квартале, что поможет сформировать план закупки.

В настоящее время существует большое разнообразие методов прогнозирования, но на практике используются около 20-30 основных. Наиболее популярными методами прогнозирования являются экспоненциальное сглаживание или регрессионная модель прогнозирования. В качестве исходных данных для методов выступают временные ряды. В рамках решаемой задачи это пробег автотранспорта за схожие периоды прошлых лет [1].

Актуальные проблемы авиации и космонавтики - 2021. Том 2

Экспоненциальное сглаживание является одним из наиболее распространенных приемов, используемых для сглаживания временных рядов, а также для прогнозирования. В основе процедуры сглаживания лежит расчёт экспоненциальных скользящих средних сглаживаемого ряда. Данный метод является составной частью большинства компьютеризированных программ прогнозирования. Его широкое распространение объясняется тем, что экспоненциальные модели довольно точны, составление экспоненциальной модели относительно несложное. Проблемы данной модели заключаются в том, что модель работает только при небольшом горизонте прогнозирования [2].

Вторым популярным способом прогнозирования является прогнозирование по регрессионной модели. Вид регрессионной функции определяется подбором по экспериментальным данным. Целью построения регрессионной функции на основе эмпирических данных является не только аппроксимация исходных данных с хорошей точностью, но и возможность дальнейшего применения полученного уравнения в экономических расчетах. В задаче оценки пробега автотранспорта, на основе полученной регрессионной модели можно вычислить прогнозное значение в заданном временном периоде. При помощи полученной модели можно прогнозировать промежуточные значения.

Ограничением прогнозирования на основании регрессионной модели, служит условие стабильности или, по крайней мере, малой изменчивости факторов и условий изучаемого процесса, не связанных с ними [3-4].

Что бы провести наглядный анализ данных, нужно построить графики экспоненциального сглаживания, регрессионной модели и исходных данных (Рисунок 1). В качестве исходных данных был взят пробег за три месяца автомобиля на котором выполняются основные задачи предприятия. Данное транспортное средство совершает движение по установленному маршруту для перевозки работников. Помимо этого, на данном автомобиле совершаются поездки для мониторинга акватории. В качестве регрессионной модели была взята полиномиальная математическая модель четвёртой степени.

Дата

Рисунок 1 - Графики моделей прогнозирования

К сожалению, визуальный анализ графиков не дает четкого представления о точности прогнозов при различных константах сглаживания. Поэтому более полезен сравнительный анализ значений ошибок. Сравнительный график ошибок приведён на рисунке 2.

сг) т (г| ^ т т еп т <л ел № № ч ? "Ч1 "Г "I" Т ТГ *Т чп? ^ ^ >л ^ л г» ¡л ^ л VI

ФрррФррС-ФФрррФФррФ

г-| "Ч "ОоаОГ^Т <0 оо О -т оо О — »«1 г-- Оч «—I ег, ¡/-^ г— ф <-н т «/-4 г-1 —" ^Ч Г4- Он "Л г-- Оч —-

Дата

Рисунок 2 - График ошибок моделей прогнозирования

На основе графика с ошибками можно сказать, что метод экспоненциального сглаживания наиболее точно аппроксимировал исходные данные.

Делая вывод, можно сказать, что прогноз в рамках решения задачи прогнозирования пробега автотранспорта в краткосрочном периоде, полученный методом экспоненциального сглаживания оказался намного ближе к исходным данным. Прогноз, полученный в регрессионной модели, наименее точно аппроксимировал исходные данные. Поэтому при решении задачи краткосрочного планирования наиболее предпочтительным методом прогнозирования является экспоненциальное сглаживание.

Библиографические ссылки

1. Аббакумов В. Л. Статистические методы. - М.: Экономика, 2009. - 374 с.

2. Кизбикенов К. О. Прогнозирование и временные ряды: учебное пособие. Барнаул: АлтГПУ, 2017. - 113 с.

3. Любимцев О.В., Любимцева О. Л. Линейные регрессионные модели в эконометрике. Методическое пособие. М.: Нижний Новгород, ННГАСУ, 2016. - 45 с.

4. Дадян Э.Г., Зеленков Ю.А. Методы, модели, средства хранения и обработки данных: учебник. М.: Вузовский учебник: ИНФРА-М, 2017. - 168 с.

© Ключаров А. А., 2021