Содержание к диссертации
Введение
ГЛАВА 1. Современные тенденции индустрии гостеприимства (туризма) 10
1.1. Основные характеристики индустрии гостеприимства 10
1.2. Информационные технологии индустрии гостеприимства 20
1.3. Управление данными 32
ГЛАВА 2. Прогнозирование деятельности предприятий индустрии гостеприимства 52
2.1. Прогноз и цели его использования. Методы прогнозирования 52
2.2. Современные статистические пакеты и их характеристика 58
2.3. Прогнозирование с использованием современных статистических пакетов 73
ГЛАВА 3. Нейроагенты — прогнозное управление предприятием индустрии гостеприимства 88
3.1 Принципы построения и работы нейроагента 88
3.2. Современные программные пакеты нейросетевого моделирования 95
3.3. Построение нейроагентов для предприятий различных сегментов индустрии гостеприимства 107
Заключение 139
Список используемых терминов 144
Библиографический список использованной литературы 151
Приложения 160
- Основные характеристики индустрии гостеприимства
- Информационные технологии индустрии гостеприимства
- Прогноз и цели его использования. Методы прогнозирования
- Принципы построения и работы нейроагента
Введение к работе
Актуальность исследования. Индустрия туризма (индустрия гостеприимства) — важнейшая отрасль экономики большинства стран мира. Современную индустрию гостеприимства характеризуют быстрая сменяемость экономических условий, повышение качества услуг, непрерывное вступление на рынок новых участников, в том числе иностранных. Эти изменения оказывают сильное влияние на финансовое положение российских предприятий индустрии гостеприимства.
Руководители должны оперативно проводить оценку влияния возникших изменений В экономической ситуации на функционирование предприятия, находить новые решения по корректировке их деятельности. Важнейшей задачей управления выступает своевременное принятие правильных решений в связи с изменениями экономической ситуации. Принятие своевременного решения напрямую зависит от прогнозирования деятельности предприятий индустрии гостеприимства.
В условиях современного состояния экономики, которое нередко оказывается непредсказуемым и неконтролируемым, традиционные механизмы научного менеджмента становятся непродуктивными.
В Российской Федерации высокий уровень нестабильности внешней среды бизнеса проявляется несравненно сильнее, чем в странах с развитой экономикой. Поэтому так важно для российских менеджеров новое видение управленческих проблем, их изучение и использование в практике управления.
В условиях непостоянства внешней среды возникает раздел науки управления, концентрирующий свое внимание на хаосе, сложности и самоорганизации. Создаются методы, с помощью которых сложные системы могут эффективно справляться с неопределенностью и быстрыми изменениями. Формирование теории хаоса стало важным шагом в развитии методологии современной науки. Изучение и решение проблемы хаоса актуально для развития
-4-экономики России, поскольку темп, глубина и всеохватность происходящих изменений не
имеют аналогов в новой истории.
Понимание того, что даже мельчайшие изменения могут привести к радикальным последствиям в поведении системы, существенно изменило видение учеными окружающего мира. Упор на предсказуемость и управление, который делался ранее, проложил путь к пониманию власти хаотичности в конце XX века. Как правило, на практике трудно предсказать поведение даже относительно простых систем, а тем более сложных.
Несмотря на кажущееся случайное поведение таких систем, определенные их поведенческие схемы можно предугадать. Способ определения предсказываемых «рисунков» поведения системы стал другим. Вместо разбиения системы на составные части и анализа поведения каждой из них в отдельности, необходим целостный подход, фокусирующий внимание на динамике всей системы. Это позволит сделать упор на то, каким образом порядок является результатом взаимодействия этих частей в целом.
Конкурентное преимущество и даже выживаемость гостиничного предприятия зависит от нововведений в области информационных технологий: во-первых, систем принятия решений на основе систем автоматизированного управления, а во-вторых — систем, связанные с хранением и интеллектуальной обработкой данных.
Широкие возможности компьютерного имитационного моделирования приводят к разработке все более сложных конструкций моделей прогнозирования. Это порождает проблемы для пользователей. Интерпретация параметров модели сталкивается со все большими трудностями. Часто приходится обращаться за недостающей информацией к экспертам, что при масштабных моделях со многими параметрами существенно усиливает спекулятивную природу практических рекомендаций.
Слабое место математических моделей принятия решений — не только проблема определения параметров, но и несовершенство оценочных теорий как основы их конструкций. Поэтому все шире применяются нейронные сети. Эти стимулируемые нейробиологическими
-5-процессами компьютерные алгоритмы не нуждаются в функциональных причинно-следственных связях. Сеть по определенному правилу обучения сама ищет приближенную взаимосвязь, наилучшим образом отражающую представленные данные. Поэтому нейронные сети могут применяться без теоретической подоплеки для прогнозирования, например, покупок как реакции на воздействие рекламы.
Для настройки сети требуется обширное количество данных, отражающих прошлую динамику прогнозируемого показателя. Сеть сама гибко приспосабливается и обнаруживает даже неизвестные взаимосвязи, которые хотя и осуществляются автоматически, но могут способствовать прояснению причинно-следственных связей.
Одним из направлений развития прогнозирования выступает появление агентных систем. Задача, выполняемая подобными системами, — автоматическое реагирование на входную информацию. Реализация агентной технологии на основе нейросетевых технологий позволяет в большей степени осуществлять прогнозное управление предприятием.
Цель работы заключается в разработке методических предложений по прогнозированию и принятию решений в процессе управления предприятием индустрии гостеприимства в рыночных условиях с использованием новых информационных технологий и компьютерных систем.
В соответствии с целью исследования были поставлены следующие задачи:
исследовать современное состояние индустрии гостеприимства г. Москвы, возможные пути ее развития;
проанализировать современные научные подходы к прогнозированию;
охарактеризовать современный программный аппарат прогнозирования и дать соответствующие рекомендации по его использованию на предприятиях индустрии гостеприимства;
определить основные направления совершенствования системы прогнозирования, характерные для современного этапа развития гостиничного и туристического бизнеса;
смоделировать схемы поведения экономической системы предприятия индустрии гостеприимства в условиях рынка;
раскрыть такой фактор совершенствования управления деятельностью предприятий индустрии гостеприимства на современном этапе развития, как внедрение информационных технологий.
Объектом исследования выступает система прогнозирования и принятия решений в управлении гостиничными предприятиями, с учетом особенностей становления рыночной экономики в Российской Федерации.
Предмет исследования — особенности организации процесса прогнозирования и принятия решений, характерные для российского рынка гостиничных услуг.
Теоретической и методологической основой диссертации послужили труды ведущих российских и зарубежных ученых по управлению экономическими процессами, проблемам предпринимательской деятельности, управлению объектами размещения, информа-
ционно-аналитические материалы по вопросам предпринимательства и туризма. Изложенные в диссертации положения в значительной мере учитывают исследования и научные разработки российских и зарубежных ученых в области туризма; АзараВ.И., Гуляева ВТ., КвартальноваВ.А., Исмаева Д.К., Моисеевой Н.К., Розановой Т.П., СенинаВ.С, Сапруно-вой В.Б., Ходоркова Л.Ф., Чудновского А.Д., Пирса Д. Основные положения в области прогнозирования рассматривают в своих работах Боровиков В.П., Глущенко В.В., Попов В.А., Серов Г.Д., Сидоров М.Н., Тихомиров Н.П., МакридакисС, Монтгомери Д., Уилрайт С. Теоретические разработки автора основаны также на анализе основных положений работ авторов в области нейронных сетей: Бэстенса Д.-Э., Бира С, Гроссберга С, Розенблатта Р., Ко-хонена Т., Уидроу Б., Уоссермана Ф., Хебба Д., Хоффа М. В процессе изучения исследуемых в диссертации явлений использовались положения теории систем и системного анализа, теории принятия решений и теории хаоса.
Научная новизна диссертации состоит в разработке методики применения нейронных сетей для прогнозирования внешних и внутренних финансово-экономических и других показателей деятельности гостиницы; построении нейроагентов предприятии индустрии гостеприимства, применении пакетов нейросетевого моделирования STATTSTICA Neural Networks и SPSS Neural Connection для классификации рыночных ситуаций гостиничного предприятия и изучения рыночной конъюнктуры.
Наиболее существенные результаты, полученные лично автором:
разработана методика построения нейроагентов для предприятий индустрии гостеприимства с учетом их специфики;
сформирован подход к построению и внедрению топологии нейронной сети для управления загрузкой гостиницы;
выявлены стратегии рыночного ценообразования современных гостиничных предприятий и даны рекомендации по их совершенствованию.
Практическая значимость диссертационной работы. Разработанная методика позволяет на практике решать задачу объективной диагностики состояния предприятий индустрии гостеприимства в современных условиях хозяйствования на основе прогнозного управления. Тем самым обеспечивается совершенствование управления ими.
Апробация работы. Теоретические положения и выводы, полученные в ходе выполнения диссертационного исследования, были доложены автором на X, XI, XII Международных Плехановских чтениях; на VII Всероссийском семинаре «Нейроинформатика и ее приложения» (1-3 октября 1999 г.).
Результаты исследования апробированы на ОАО «Отель Виноградово» и ООО «АРИКАДА-ТУР» в ресторане «Спартак», расположенных в г. Москва.
Часть материалов исследования предполагается использовать в процессе преподавания в РЭА им. Г.В. Плеханова по спецкурсу кафедры гостиничного и туристического бизнеса «Методы прогнозирования в индустрии гостеприимства».
-8-Сведения об объеме и структуре работы.
Диссертация состоит из введения, трех глав, заключения, списка литературы и приложений. Количество печатных машинописных страниц в диссертации — 159 (без учета приложений), таблиц — 29, рисунков — 132, приложений — 6. Список использованной литературы насчитывает 185 наименований.
В первой главе «Современные тенденции индустрии гостеприимства» раскрываются основные понятия, определения и характеристики такой сферы экономики как индустрия гостеприимства (туризма), рассматриваются состояние и основные тенденции ее развития в современных российских условиях, описываются процессы построения управляющих информационных систем, методы интеллектуального анализа данных как важнейшее направление совершенствования управления предприятиями данной сферы.
Во второй главе «Прогнозирование деятельности предприятий индустрии гостеприимства» анализируются современные методы прогнозирования, виды прогнозов и цели их использования, дается описание и сравнительные характеристики современных статистических пакетов, применяемых для построения прогнозов, построены прогнозы развития предприятия индустрии гостеприимства на основе традиционных методов.
Третья глава «Нейроагенты — прогнозное управление предприятием индустрии гостеприимства» посвящена методике построения моделей с использованием нейросетевых технологий. В ней рассмотрены возможности их использования при прогнозировании, предложено использование нейроагентов в процессе прогнозного управления предприятием, разработаны нейроагенты для нескольких предприятии индустрии гостеприимства.
Публикации* По теме диссертации опубликовано 6 работ общим объемом 0,6 п.л. 1. Попов Л.А., Козлов Д.А. Совершенствование стратегического планирования на гостиничных предприятиях в условиях перехода к рынку. В сб. «Структурная перестройка и экономический рост», Десятые международные Плехановские чтения. — М.: изд-во РЭА им. Г В Плеханова, 1997 (0,1 п.л.)
-9-1- Ильина Е.Л., Козлов ДА. Планирование и стратегия маркетинга в гостиничном
хозяйстве. В сб. «Структурная перестройка и экономический рост», Десятые международные
Плехановские чтения. — М: изд-во РЭА им. Г.В. Плеханова, 1997 (0,1 п.л.)
Попов Л.А., Козлов Д.А. Прогнозирование на предприятиях гостинично-ресторанного хозяйства в условиях перехода к рынку. Одиннадцатые международные Плехановские чтения. — М.: изд-во РЭА им. Г.В. Плеханова, 1998 (0,1 п.л.)
Попов Л.А., Козлов Д.А. Методы добычи знаний в гостиничном бизнесе. Двенадцатые международные Плехановские чтения. — М: изд-во РЭА им. Г.В. Плеханова, 1999 (0,1 п.л.)
Козлов ДА. Нейросетевое прогнозирование в индустрии гостеприимства.// Нейроинформатика и ее приложения: Тезисы докладов VII Всероссийского семинара, 1-3 октября 1999 г/Под ред. Горбаня А.Н. — Красноярск: КГТУ, 1999 (0,1 п.л.)
Козлов ДА. Реализация нейроагентов для индустрии гостеприимства в пакетах Neural Connection и STATISTICA Neural Networks.// Нейроинформатика и ее приложения: Тезисы докладов VII Всероссийского семинара, 1-3 октября 1999 г./Подред. Горбаня А.Н. — Красноярск: КГТУ, 1999(0,1 п.л.)
Основные характеристики индустрии гостеприимства
«Индустрия гостеприимства (ИГ) — это сфера предпринимательства, состоящая из таких видов обслуживания, которые опираются на принципы гостеприимства, характеризующиеся щедростью и дружелюбием по отношению к гостям»1. ИГ — собирательное понятие для многочисленных и разнообразных форм предпринимательства, которые специализируются на рынке услуг, связанных с приемом и обслуживанием гостей. Основные направления деятельности в этой области — массовое питание, размещение, перевозка и отдых.
В России более развит другой термин — индустрия туризма. По своему содержанию эти два понятия отличаются друг от друга некоторыми составными частями (в основном это относится к услугам питания). Поскольку эти различия довольно незаметны, то дальше по тексту оба термина будут обозначать одно и то же.
Туризм выступает основой экономики многих развитых и развивающихся стран. В мировой экономике роль туризма постоянно возрастает. Точные показатели развития туризма колеблются от автора к автору.
В отдельных источниках указывается, что самые доходные отрасли в мире (в порядке убывания) — туризм, информационная деятельность, химия, производство автомобилей и машиностроение . Согласно другим оценкам, что, являясь одной из крупнейших доходных и наиболее динамичных отраслей, туризм уступает по доходности лишь добыче и переработке нефти2. Следующее мнение — доходы от туризма уступают только доходам от экспорта нефти, нефтепродуктов и автомобилей 4. Наконец, три первых места по доходности занимают переработка нефти, сфера информационных услуг и продажи автомобилей5; такое заявление отодвигает туризм на четвертое место.
Как видно из этих высказываний, туризму отводится 1-4 место в списке самых доходных видов деятельности, Скорее всего, разногласия связаны с разрывами по времени измерений и устареванием информации по причине быстрой смены ситуаций на рынке.
Можно предположить, что именно широкое развитие информационных технологий отодвигает туризм на более низкое место. Возможно, смешение этих двух видов будет иметь наибольший успех (в принципе, это сейчас и происходит).
Туризм по данным Всемирной туристской организации обеспечивает 10% оборота производственно-сервисного рынка планеты. На долю туризма приходится около б% мирового валютного национального продукта, 7% мировых инвестиций, каждое 16-е рабочее место, 11% мировых потребительских расходов, 5% всех налоговых поступлений .
В последнее время и в России стали больше внимания уделять развитию туризма. Приняты Федеральная целевая программа «Развитие туризма в РФ», указ Президента РФ «О -дополнительных мерах по развитию туризма в РФ и об использовании государственной собственности в сфере туризма», Федеральный закон «Об основах туристской деятельности в РФ». В результате принимаемых мер ежегодно в бюджеты разных уровней поступает более 6 млрд. руб. Несмотря на это, в 1998 г. ситуация в отрасли туризма начала резко меняться. Причин этому несколько: экономический кризис, кризис финансово-банковской системы 17 августа 1998 года, ограничение платежеспособного спроса населения на услуги туризма, а также введение новых видов налогов, таких как налог с продаж.
Положение может еще ухудшиться при отмене действующих льгот в отрасли. Уже сегодня из-за действующих налогов и стоимости транспортных перевозок и других услуг, цены на путевки превышают цены на аналогичный отдых в странах с развитой сферой туризма.
Экономический кризис в августе 1998 г. затронул сферу выездного туризма и в некоторой степени путешествия по внутренним туристским маршрутам, что обусловлено обвальным сокращением платежеспособного спроса. Одновременно, несмотря на кризис, в 1998 г. сохранились положительные темпы прироста доходов в сфере въездного туризма и в части оказания санаторно-оздоровительных услуг на территории РФ.
Важной особенностью результатов финансово-хозяйственной деятельности индустрии туризма выступает исключительно высокий мультипликативный эффект при реализации турпродукта. По имеющимся оценкам, на каждый доллар реализации турпродукта приходится как минимум аналогичная сумма расходов, осуществляемая туристом на приобретение услуг и товаров смежных областей (включая транспорт и связь, сельское хозяйство, финансовые услуги, индустрию развлечений и т.д.). По другим данным, в туристическом бизнесе на 1% роста клиентов доходы возрастают на 1,5%2.
Информационные технологии индустрии гостеприимства
Постоянное изменение условий деятельности повышает необходимость и роль получения прогнозной информации о будущем развитии определенных параметров в ограниченной во времени и пространстве области деятельности. Прогноз состояния предприятия, то есть ситуации, необходимой для планирования, образует базу оценки альтернатив поведения предприятия под воздействием внешних и внутренних факторов. На это, в свою очередь, оказывает влияние развитие вычислительной техники и рост ее мощности.
В настоящее время сформировались следующие направления развития информационных технологий в туризме : локальная автоматизация офиса; внедрение прикладных программ автоматизации формирования, продвижения и реализации туристского продукта; использование систем управления базами данных; использование локальных компьютерных сетей; внедрение систем бронирования; внедрение мультимедийных маркетинговых систем; использование сети Интернет.
Увеличение объема Интернет-услуг свидетельствует о смене приоритетов пользователей с анализа информации к самой информации. Среди последних достижений в области автоматизации и информатизации гостиничного бизнеса имеются интересные примеры.
В гостинице Sheraton Hotel&Towers1 в Швеции прямо в номере (специальном, называемом «Smart Room») гостям предлагаются Интернет, электронная почта и различные компьютерные приложения (на основе IBM Network Station). Среда с тонкими клиентами предоставляет гостям доступ к защищенной персональной директории на файл-сервере, на котором постояльцы могут выполнять простые задания с помощью текстового редактора, электронных таблиц и приложения для подготовки презентаций. Местным компаниям предлагается разместить свою рекламу в виде Screen Saver a, что, по оценке маркетинговой службы отеля, позволяет полностью окупить внедрение такого вида услуг.
Гостиница Hilton and Towers2 (Анахайм, Калифорния) запустила пилотный проект по предоставлению гостям услуг виртуального jukebox и информации по местным удовольствиям и привлекательным местам. Проект называется «Сеть насущных услуг гостям» (Essential Guest Services Network — EGSN), Услуги выбираются гостем с помощью сенсорного экрана. Такая служба позволяет обходиться без справочной литературы, звонков консьержу, службы портье. Кроме того, гости могут работать с привычными офисными приложениями. В номера услуги подаются через сервер Windows NT SMP, подключенному к серверу Unisys под Windows NT, расположенному в офисе фирмы ComCierge, разработавшей аппаратную и программную часть этого проекта. Серверы Unisys используют СУБД Microsoft SQL.
Большое внимание уделяется организации электронных продаж . Электронные системы продаж — это те или иные компьютерные программы, адаптированные для повышения эффективности продаж туристических услуг (авиаперевозок, аренды транспорта, экскурсионного обслуживания и т.д.). Есть несколько основных систем электронных продаж: GDS — глобальная система резервирования, Internet — всемирная компьютерная сеть,
Локальные системы продаж — ориентированные либо на определенный регион, либо на определенный круг покупателей.
Глобальные системы появились в конце -х годов в связи с ростом объема мировых авиаперевозок предназначены для профессиональных туристских агентств. Тогда авиакомпании начали устанавливать терминалы систем в агентствах с большими объемами перевозок. Это позволило повысить эффективность деятельности агентств, которые стали применять их не только для продажи авиаперевозок, но и номеров в отелях, сопутствующих услуг. Это потребовало довольно большого вливания финансовых средств, что привело к объединению авиакомпаний в системе резервирования. Это позволило существенно сократить расходы по созданию и регулированию этой системы.
Термин «глобальная» был введен самими авиакомпаниями и поэтому у него нет четкого определения. Глобальной называют систему, имеющую большое число терминалов, расположенных в разных частях света. Вторым признаком глобальности является возможность бронирования кроме авиаперевозок еще и гостиничных услуг, аренды транспорта, а также всего, что может войти в турпродукт.
На сегодняшний день существует четыре системы, называемых глобальными: Amadeus/System One; Galileo/Apollo; Sabre/Fantasia; World Span/Abacus.
Появление двойных названий получилось в процессе укрупнения: компании сливались, прибавляя название поглощенной к своему. Вышеперечисленные системы называют «золотой четверкой». Они занимают % рынка и охватывают более тыс. агентств по всему миру, причем многие агентства устанавливают у себя несколько терминалов. Часто к ним добавляют систему Sahara (Gabriel), но количество ее терминалов значительно меньше.
К недостаткам глобальных систем можно отнести сложность подключения и использования, высокие накладные расходы, маленький охват российского рынка (около терминалов различных систем).
Прогноз и цели его использования. Методы прогнозирования
Прогнозирование будущей экономической ситуации, состояния и динамики социальных процессов, спроса и предложения на отдельных сегментах рынка — необходимое условие успешного функционирования национальной экономики в целом, деятельности каждого предприятия, каждой фирмы . Цели использования прогнозов представлены в табл. 2 .
Методы прогнозирования можно разделить на два класса качественные и количественные, в зависимости оттого, какие математические методы используются. Полная классификация методов прогнозирования и области их применения отражены в табл. З3.
Качественные процедуры производят субъективную оценку, основанную на мнении экспертов. Обычно, это формальная процедура для получения обобщенного предсказания, на основе ранжирования и обобщения мнения экспертов (например, метод Дельфи). Эти процедуры основываются на опросах, тестах, оценке эффективности продаж и исторических данных, но процесс, с помощью которого получается прогноз, остается субъективным.
Количественные процедуры прогнозирования явно объявляют, каким образом получен прогноз. Четко видна логика и понятны математические операции. Эти методы произво -дят исследование исторических данных для того, чтобы определить глубинный процесс, генерирующий переменную. Предположив, что процесс стабилен, можно использовать знания о нем для экстраполяции процесса в будущее. К количественным процедурам прогнозирования относятся методы, основанные на статистическом анализе, анализе временных последовательностей, байесовском прогнозировании, наборе фрактальных методов, нейронных сетях.
В настоящее время используется два основных типа моделей: модели временных последовательностей и причинные модели.
Временная последовательность — это упорядоченный во времени набор наблюдений переменной. Анализ временных последовательностей использует для прогнозирования переменной только исторические данные о ее изменении. Для представления процесса выбирается модель тренда. Вид и параметры этого тренда могут быть оценены на основе исторических данных. Прогнозирование может быть осуществлено путем экстраполяции подходящей модели.
Причинные модели используют связь между временной последовательностью и одной или более другими временными последовательностями. Если эти другие переменные коррелируют с интересующей нас переменной и существуют причины для этой корреляции, модели, описывающие эти отношения, могут быть очень полезными. Зная значение коррелирующих переменных, можно построить модель прогноза зависимой. Серьезным ограничением использования причинных моделей является требование того, чтобы независимая переменная была известна ко времени, когда делается прогноз. Другое ограничение причинных методов — большое количество необходимых вычислений и данных.
Практически прогнозирующие системы часто используют комбинацию количественных и качественных методов. Количественные методы используются для последовательного анализа исторических данных и формирование прогноза.
Это придает системе объективность и позволяет эффективно организовать обработку
исторических данных. Данные прогноза далее становятся входными данными для субъективной оценки опытными менеджерами, которые могут модифицировать прогноз в соответствии с их взглядами на информацию и их восприятие будущего.
На выбор соответствующего метода прогнозирования, влияют следующие факторы: требуемая форма прогноза; горизонт, период и интервал прогнозирования; доступность данных; требуемая точность; поведение прогнозируемого процесса; стоимость разработки, установки и работы с системой, простота работы, понимание и сотрудничество управляющих.
Прогнозирование на основе нейронных сетей. Задача прогнозирования с помощью нейронных сетей формализуется через задачу распознавания образов. Данные о прогнозируемой переменной за некоторый промежуток времени образуют образ, класс которого определяется значением прогнозируемой переменной в некоторый момент времени за пределами данного промежутка. Один из методов организации данных — метод окон, который предполагает использование двух окон Wi и Wo с фиксированными размерами. Эти окна способны перемещаться с некоторым шагом по временной последовательности данных, причем окно Wi, передает данные на вход сети, a Wo — на выход. Получающаяся на каждом шаге пара Wi Wo используется как элемент обучающей выборки.
Каждый следующий вектор получается в результате сдвига окон Wi и Wo на один элемент вперед по временному ряду. Нейронная сеть, обучаясь на этих наблюдениях и настраивая свои коэффициенты, пытается извлечь закономерности и сформировать требуемую функцию прогноза. Прогнозирование осуществляется по тому же принципу, что и формирование обучающей выборки. При этом выделяются две возможности: одношаговое и многошаговое прогнозирование.
Многошаговое прогнозирование используется для осуществления долгосрочного прогноза и предназначено для определения основного тренда и главных точек изменения тренда для некоторого промежутка времени в будущем. При этом прогнозирующая система исполь зует полученные выходные данные для моментов времени к+1, к+2 и т.д. в качестве входных данных для прогнозирования на моменты времени к+2, к+3 и т.д.
Одношаговое прогнозирование используется для краткосрочных прогнозов. Осуществляется прогноз только на один шаг вперед, но используется реальное, а не прогнозируемое значение для осуществления прогноза на следующем шаге. Схема многошагового и одноша-гового прогнозирования представлена на рис. 11.
Результатом прогноза на нейросетевой модели является класс, к которому принадлежит переменная, а не ее конкретное значение. Общий подход к формированию классов состоит в том, что область определения прогнозируемой переменной разбивается на классы (качественные или численные) в соответствии с необходимой точностью прогнозирования.
Прогнозирование на основе нейронных сетей обладает рядом недостатков. Необходимо 50-100 наблюдений для создания приемлемой модели. Это достаточно большое число данных и иногда такое количество данных недоступно (особенно для сезонных показателей). Однако необходимо отметить, что есть вероятность построить удовлетворительную нейросе-тевую модель даже в условиях нехватки данных. Модель может уточняться по мере того, как появляются новые данные.
Другой недостаток нейросетевых моделей — значительные затраты по времени и другим ресурсам для построения удовлетворительной модели. Данная проблема решается благодаря использованию более современных и быстрых вычислительных средств.
Принципы построения и работы нейроагента
Нейроагент — применение агентной технологии, реализованной на нейронных сетях, в пределах любой области деятельности. Нейроагент анализирует огромное количество информации, доступной для среды деятельности, определяя зависимости и модели. Это дает возможность нейроагенту обнаружить тонкие изменения и прогнозировать результаты.
Нейроагенты обучаются путем наблюдения. Им необходимо просмотреть достаточное количество примеров поведения, чтобы распознать лежащие в их основе модели, или определить причинные и следственные связи. С помощью этого постоянного процесса самообучения, нейроагент может приобретать гораздо больше знания, чем любой эксперт.
Иногда нейроагент может сталкиваться с новой ситуацией. Например, при недостатке данных нейроагенты могут полагать, что спрос в пиковый сезон является чем-то необыкновенным. Можно обучить нейроагент и таким ситуациям. Процесс возрастающего адаптивного обучения увеличивает способности нейроагента, помогает более точно контролировать и прогнозировать условия бизнеса.
Потенциальное деловое применения нейроагентов — анализ коммерческой информации. Например, нейроагенты могут автоматически генерировать списки перспектив новых услуг и изделий. Они могут прогнозировать будущий спрос на изделия, помогая предпринимателям производить нужное количество услуг в нужное время. Они также могут определять аномалии в бизнесе, например, необычный риск и мошеннические действия.
-Нейроагенты — сложные нейросетевые средства, которые фактически предсказывают проблемы прежде, чем они происходят. Нейроагент просматривает исторические данные, обрабатывает эти данные, с целью создания индивидуального профиля системы. Используя нейросетевые алгоритмы, нейроагент обнаруживает отклонения системы от ожидаемого состояния и может прогнозировать время, когда это отклонение приведет к критической ситуации. Основным достоинством нейроагентов является ранний прогноз и обнаружение критических системных состояний, что снабжает пользователей неоценимым инструментом управления даже очень комплексными системами. Нейроагенты также облегчают потребность вручную записывать правила поведения системы, таким образом ускоряя выполнение решений по управлению предприятием.
Широко распространенное присутствие распределенных процессов на предприятии сделало необходимой потребностью интеллектуальное управление предприятием. Организации вкладывают капитал в управление предприятием, в надежде автоматизировать обнаружение и исправление стольких многих вредных событий насколько возможно с помощью вычислительной техники.
Ключ к прогнозному управлению — идентифицировать ряд состояний, которые последовательно ведут к другим известным состояниям.
Нейроагент изучает целевую среду. Он знакомится с ее нормальным поведением и может быстро идентифицировать момент выхода системы вне нормального операционного состояния. Обучаясь на прошлом поведении, нейроагент прогнозирует потенциальные отказы или критические состояния прежде, чем они происходят, приводя в готовность менеджеров для проведения профилактических действий. Через какое-то время, эти действия повышают эффективность работы, снижают время простоя после возникновения критического положения и увеличивает производительность. Нейроагент фактически создает многомерный портрет того, как взаимодействуют компоненты окружения системы. Из-за сложности окружения ее понимание является трудным даже для лучших менеджеров.
Чтобы работать эффективно, нейроагент сначала должен «обучиться». «Обучение» нейроагента просто требует сбора данных контролируемой системы за некоторый срок. Как только агент соберет данные, его самообучающиеся средства анализируют их и формируют профиль индивидуальности, уникальный для системы, для которой проводится мониторинг.
Нейроагент использует нейросетевую технологию, чтобы выполнить это обучение. Как только нейроагент создал уникальный профиль индивидуальности для контролируемой системы, можно начинать контроль режима в реальном времени и получение контекстно-ориентированного сигнала тревоги. Нейроагент определяет, каким образом текущие операционные переменные изменяются во времени, анализируя эту информацию с учетом того, что они узнали из прошлого опыта. Затем нейроагент выполняет прогноз о том, где система будет в ближайшем будущем. Также, когда происходит некоторая ситуация, которая не попадает в пределы прошлого опыта, нейроагент подает сигнал тревоги.
Нейроагенты предлагают гибкое решение необходимой задачи — управление хаотическими системами. Подход сопоставления с образцом имеет превосходные характеристики для управления комплексно-распределенными системами. Основные характеристики, описание особенностей и преимуществ нейроагентов представлены в табл. 6.
