Содержание к диссертации
Введение
ГЛАВА 1. Аналитический обзор моделей и методов прогнозирования 10
1.1 Исследование предприятий с позиции теории сложных систем 10
1.2 Прогнозирование сбыта регионального автодилера 13
1.3 Общие положение задачи прогнозирования 19
1.4 Прогнозирование на основе искусственных нейронных сетей 36
1.5 Предобработка временных рядов 49
1.6 Обзор современных систем моделирования нейронных сетей 54
1.7 Использование гибридных экспертных систем 61
ГЛАВА 2. Разработка моделей и алгоритмов аналитического комплекса неиропрогнозирования 66
2.1 Использование модулей датчиков для автоматизации процесса построения прогнозной модели 66
2.2 Предобработка данных в задачах нейросетевого прогнозирования 68
2.3 Конструирование нейронной сети 79
2.4 Адаптация динамической прогнозной модели 85
2.5 Структура нейросетевого блока 90
2.6 Настройка гибридной экспертной модели прогнозирования 91
Глава 3. Реализация аналитического программного 'комплекса и результаты его экспериментального использования 102
3.1 Общая структура системы прогнозирования продаж 102
3.2 Создание прогнозной модели с использованием программного комплекса 115
3.3 Адаптация нейросетевой модели прогнозирования 136
3.4 Прогнозирование продаж на основе гибридной модели 138
Заключение 143
Список использованых источников
- Прогнозирование сбыта регионального автодилера
- Предобработка временных рядов
- Предобработка данных в задачах нейросетевого прогнозирования
- Создание прогнозной модели с использованием программного комплекса
Введение к работе
Актуальность темы. Эффективное управление предприятием невозможно без решения задач прогнозирования важнейших технико-экономических показателей. Получение правильного прогноза позволяет адекватно оценивать ситуацию и быть готовым отреагировать на её изменение.
Решению задачи прогнозирования на основе моделей временных рядов посвящено большое количество исследований. Существуют успешные решения с использованием вероятностных методов, нейросетевого моделирования, субъективных знаний экспертов. Исследованиям в данной области посвящены работы Бокса Дж., Дженкинса Г., Боровикова В.П., Ивченко Г.И., Лукашина Ю.П., Оссовского С, Комарцовой Л.Г., Колмогорова А. Н., Максимова А.В. и др.
Временные ряды, порожденные экономическими процессами, как правило, являются нестационарными, т.е. их характеристики меняются во времени, изменяются взаимосвязи и взаимозависимости объекта прогнозирования. Более того, меняется во времени состав, структура и направление взаимодействия элементов, составляющих объект прогнозирования. Таким образом, для нестационарных временных рядов классические модели прогнозирования обладают рядом недостатков, или являются полностью непригодными. При изменении характеристик временного ряда возникает необходимость в адаптивном прогнозе. В связи с этим актуальной является разработка новых методов и алгоритмов и программно-математических инструментариев на их основе, делающих возможным получение достоверных прогнозных данных, сокращение времени обработки данных.
В связи с широким распространением программных средств поддержки принятия решений, особую важность представляет разработка моделей и алгоритмов автоматизированного прогнозирования для использования результатов прогноза в аналитических программных комплексах. Автоматизированное прогнозирование с использованием вычислительной техники предполагает функционирование прогнозирующих моделей и алгоритмов с минимальным участием человека, автоматический выбор структуры модели и ее параметров для прогнозирования конкретных показателей, численно выражаемых с помощью временного ряда.
В настоящее время компьютерные технологии вышли на тот уровень, когда появилась реальная возможность говорить о разработке интеллектуальных информационных систем прогнозирования временных рядов, использующих концепцию нейросетевого моделирования. Теория искусственных нейронных сетей была создана и развита такими учеными, как Розенблатт Ф., Минский М., Гроссберг С, Кохонен Т. Вопросам теории и практического использования искусственных нейронных сетей посвящены работы таких
ученых России, как Горбань А.Н., Галушкин А.И., Шумский С.А., Ежов А.А., Миркес Е.М., Дунин-Барковский В.Л., Россиев Д.А.
Однако следует отметить, что не все задачи могут быть решены при помощи нейросетевых методов. Часть задач в информационных системах проще решить при помощи формальных методик. Другие -трудноформализуемые, но имеющие логическую прозрачность - при помощи традиционных экспертных систем. Поэтому наиболее эффективных результатов можно достичь при использовании гибридных экспертных систем, что было показано в работах Силича В. А., Пятковского О.И. При этом в структуру такой системы могут входить блоки, реализующие математические методы, экспертные системы, основанные на правилах продукций, фреймах, прецедентах и других, а также нейросетевые элементы.
Цель диссертационной работы состоит в разработке комплекса математических моделей для адаптивной системы прогнозирования временных рядов на основе использования интеллектуальных компонентов, и ее реализация в виде аналитического программного комплекса.
Задачи исследования:
Провести теоретический анализ существующих моделей прогнозирования временных рядов.
Исследовать возможности применения нейронных сетей для автоматизированного прогнозирования временных рядов.
Разработать модель комплексной предобработки временных рядов и алгоритмы адаптации нейросетевой модели.
Разработать программный комплекс, использующий в качестве аналитического блока модель адаптивного нейропрогнозирования.
Разработать механизмы интеграции нейросетевого блока в состав гибридной экспертной системы.
Провести имитационные вычислительные эксперименты с использованием созданного аналитического комплекса и проанализировать полученные результаты.
Объектом исследования являются временные ряды, которые описывают динамику экономических процессов.
Предметом исследования являются методы и алгоритмы проектирования нейросетевых адаптивных моделей прогнозирования.
Методы исследования. Поставленные в диссертационной работе задачи решались с применением методов системного анализа, математического моделирования, нейросетевого моделирования, математической статистики, искусственного интеллекта и экспертных оценок, при широком использовании программно-математического инструментария.
Научные результаты и новизна работы заключается в следующем:
Предложена новая модель прогнозирования экономических временных рядов на основе нейросетевого и гибридного подходов.
Разработаны алгоритмы повышения качества прогноза за счет комплексного использования методов предобработки временных рядов, контроля адекватности прогнозных моделей и их адаптации.
Создан программный комплекс, реализующий построение нейросе-тевых и гибридных моделей прогнозирования временных рядов.
Защищаемые положения:
Модель прогнозирования временных рядов, включающая предварительную обработку данных, обучение и дообучение нейронных сетей.
Технология, алгоритмы и методы настройки системы нейропрогно-зирования.
Аналитический программный комплекс и результаты вычислительных экспериментов прогнозирования временных рядов на примере продаж автомобилей в регионе.
Достоверность и обоснованность научных результатов и выводов основана на корректности постановок задач и используемого математического аппарата, адекватности математических моделей и проверкой на основе имитационных экспериментов.
Практическая значимость результатов диссертационной работы заключается в том, что разработанная модель и программный комплекс применяются для эффективного решения задачи прогнозирования продаж автомобилей. Полученные результаты позволяют решить ряд управленческих задач предприятий и сервисных центров таких как, получение прогноза продаж, возможность гибкого формирования плана поставок материалов и комплектующих.
В ходе работы:
спроектированы аналитические информационные системы: «Нейро-Аналитик», «Бизнес-Аналитик», «Автопрогноз»;
разработанный программный комплекс внедрен в составе информационной системы ОАО «Алтай-Лада».
Исследование проводилось в рамках:
государственного контракта по теме НИОКР «Разработка технического задания и опытного образца интеллектуальной информационной системы для оценки и прогнозирования состояния экономических и социальных объектов с использованием методов нейроин-форматики и гибридных экспертных систем»в 2007-2008 годах;
единого заказ-наряда по теме «Разработка модели интеллектуальной системы для решений задач оценки и прогнозирования состояния
экономических и социальных объектов с использованием методов нейроинформатики и гибридных экспертных систем» в 2005-2010 годах. Апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на международной научно конференции «Наука и Молодежь» (г. Барнаул) в 2005-2008 годах, на научно-практической конференции «Молодежь - Барнаулу» (г. Барнаул) в 2006-2009 годах, на всероссийском семинаре «Нейроинформатика и ее приложения» (Институт вычислительного моделирования СО РАН, г. Красноярск) в 2006-2009 годах, на научно-технической конференции «Виртуальные и интеллектуальные системы» (г. Барнаул) в 2006-2009 годах.
Публикации. По теме диссертации опубликовано 10 работ, в т.ч. две в журналах рекомендованных ВАК, получено три свидетельства о регистрации программных продуктов.
Структура диссертации. Диссертационная работа состоит из введения, трех глав, заключения, списка использованной литературы и двух приложений общим объемом 196 страниц, содержит 42 рисунка, 35 таблиц.
Прогнозирование сбыта регионального автодилера
Среди данных аналитических функций отдельно стоит отметить задачи связанные с прогнозированием тех или иных показателей. Необходимо с достаточной степень точности и оперативности предсказывать будущий спрос на автомобили АВТОВАЗа. Для решения поставленной задачи предполагается проведение анализа статистических данных объёмов продаж ОАО «Алтай-Лада» и проведение анализа результатов, полученных по результатам анкетирования проведённого среди потребителей, так и торговых специалистов-экспертов, осуществляющих реализацию легковых автомобилей.
Для того чтобы разработать план сбыта, АВТОВАЗ должен составить прогноз объема сбыта. Производителю необходимо знать зависимость между предложением автомобилей на рынке и его сбытом. Предложение определяется ценой на автомобили, ценами на другие автомобили, технологиями производства автомобилей, уровнем налогов и дотаций. Спрос потребителей на автомобили, а следовательно, и сбыт этого товара зависят в основном от цены и качества автомобиля, уровня дохода и благосостояния покупателей, вкусов и предпочтений, а также мнений покупателей о своих собственных перспективах.
К прогнозирующей системе, функционирующей в составе комплексной информационной системы предприятия можно предъявить следующие требования [87]:
Прогнозирующая система должна непрерывно распознавать и соответственно реагировать на неустановившиеся ошибки, скачки, всплески подъем, равномерное течение внезапные изменения тренда, угла его наклона и т.д;
Прогнозирующая система должна быть адаптивна как к тренду, так и к углу его наклона, т.е. ее чувствительность должна возрастать, когда происходит их изменение, и обладать хорошей реакцией на неустановившиеся процессы (ошибки);
Прогнозирующая система должна учитывать влияние других факторов на изменение результирующего показателя, в том числе качественных.
Рыночное прогнозирование объема сбыта возможно с помощью неко-личественных и количественных методов.
Неколичественные методы прогнозирования основаны на экспертных оценках руководителей высшего звена, мнениях региональных дилеров и покупателе. Эти методы прогнозирования имеют свои преимущества и недостатки. Прогнозирование сбыта продукции на основе экспертных, оценок руководителей высшего эвена предприятия имеет следующие преимущества: возможность оценки различных точек зрения, что сравнительно недорого, а также оперативность получения результатов. Не достатком этого метода является распыление ответственности между руководителями.
Преимущество прогноза сбыта на основе мнении региональных дилеров заключается в том» что такой прогноз может быть дифференцированным: в разрезе товаров, территорий и покупателей. Недостатком указанного метода прогноза может быть вероятность неправильной оценки сбыта из-за неполноты знания дилерами экономических факторов и планов головной компании. Прогнозирование сбыта автомобилей на основе мнений покупателей имеет недостаток - субъективный подход. Например, покупатель может ответить с достаточной степенью точностью, какое количество денег он готов потратить на автомобиль и его обслуживание, но этот ответ будет отражать только его личную сиюминутную точку зрения.
Среди неколичественных методов прогнозирования сбыта особое место занимает метод экспертных оценок Дельфи. Он получил широкое рас пространение в развитых странах. Этот метод заключается в том, что сбор мнений экспертов о возможных объемах сбыта, осуществляется путем письменного анкетного опроса в несколько туров. При этом каждый эксперт свой прогноз дает независимо от других. В процессе обработки результатов компетентность каждого специалиста можно оцепить с помощью специального коэффициента.
Количественными методами прогнозирования сбыта продукции являются: методы экстраполяции, корреляционного и регрессионного анализа, анализа временных рядов, метод Бокса-Дженкинса и др.
Метод экстраполяции основан на изучении сложившихся закономерностей развития изучаемого экономического явления и распространения этих закономерностей на будущее исходи из того, что они могут быть устойчивы л течение некоторого периода времени. С помощью корреляционного анализа можно отобрать факторы, влияющие на сбыт продукции, измерить степень связи между выбранными факторами и объемом сбыта, составить прогноз сбыта определенного товара о будущем периоде.
Регрессионный анализ позволяет выразить факторы, влияющие на объем сбыта, в виде регрессионной модели и воспользоваться полученной моделью для прогнозирования сбыта продукции.
Анализ временных рядов относится к статистическим методам прогнозирования, сущность которых состоит в том, чтобы на основе математических моделей сформировать прогнозы объемов сбыта продукции. Метод Бокса-Дженкинса получил широкое распространение в развитых странах для прогнозирования объемов сбыта. Он заключается в разработке и отборе на базе компьютерной техники той математической модели, которая наилучшим образом отражает результат прежних объемов сбыта.
Любые прогнозы являются лишь рабочими гипотезами о тех или иных показателях развития и будущем, поэтому их достоверность полностью зависит от той информации, на которой они базируются. Прогноз объема сбыта служит составной частью плана сбыта [7,48,59]. Цели применения методов прогнозирования маркетологами-аналитиками могут быть различными. И в каждом случае, требуется правильно сформулировать условия решения задачи, выбрать метод, который был бы адекватен статистической природе изучаемых временных рядов. Таким образом, выбранный метод прогнозирования должен обладать максимальной универсальностью и вместе с тем простотой.
Предобработка временных рядов
Рассмотренные методы прогнозирования временных рядов обладают своими преимуществами и недостатками. Поэтому они взаимно дополняют, но не исключают друг друга. Статистические методы прогнозирования, позволяющие достичь наиболее высокой точности прогноза, достаточно сложны в использовании и требуют высокой математической подготовки специалистов.
Кроме того, регрессионные модели и методы частотного анализа при прогнозировании в реальном времени требуют постоянной перестройки параметров модели, а зачастую и типа модели.
Адаптивные статистические методы прогнозирования лишены указанного недостатка, однако и они имеют ряд параметров модели, вопрос о выборе значений которых остается открытым.
В подавляющем большинстве случаев прогнозы, сделанные по методике ARJMA, точнее чем прогнозы, сделанные по методу Винтерса. Это неудивительно - ARIMA более сложный алгоритм, опирающийся на автокорреляцию, очевидно, что он, в целом, не может работать хуже, чем алгоритм, основанный на сглаживании. Кроме того, если анализировать научные публикации последнего десятилетия можно видеть, что в подавляющем количестве работ по прогнозированию классическими методами используется именно ARTMA, как наиболее обоснованный и надежный алгоритм (из статистических).
Вышеназванные недостатки классических методов прогнозирования временных рядов обусловливает трудность их использования для решения задачи автоматизированного прогнозирования и построения автоматизированных прогнозирующих систем. Перспективным в этом направлении явля ется исследования нестатистических методов прогнозирования, как теория динамического хаоса, нечеткие множества, НС и генетические алгоритмы.
Нами рассмотрены некоторые методы и алгоритмы прогнозирования, имеющие четкую математическую формализацию и позволяющие нам работать с временными рядами. Отметим, что на практике, кроме рассмотренных методов, для прогнозирования широко используются методы экспертных оценок, методы, основанные на теории игр, вариационного исчисления, спектрального анализа и др. [29, 30, 33, 39, 42, 45, 52, 90, 125]. В последнее время все большее внимание уделяется исследованию и прогнозированию временных рядов с использованием теории динамических систем, теория хаоса. Это достаточно новая облаем которая представляет собой популярный и активно развивающийся раздел математических методой экономики [12,31,46, 54, 55, 73,77,95, 106, 124, 195].
Обзор литературы позволил выявить ряд недостатков и задач, которые необходимо решить в данной области.
Выбора адекватной модели. Выбор модели в каждом конкретном случае осуществляется по целому ряду статистических критериев, например по дисперсии, корреляционному отношению и др.
Недостатки метода наименьших квадратов (МНК). Использование процедуры оценки, основанной на методе наименьших квадратов, предполагает обязательное удовлетворение целого ряда предпосылок, невыполнение которых может привести к значительным ошибкам: 1. Случайные ошибки имеют нулевую среднюю, конечные дисперсии и ковариации; 2. Каждое измерение случайной ошибки характеризуется нулевым средним, не зависящим от значений наблюдаемых переменных; 3. Дисперсии каждой случайной ошибки одинаковы, их величины независимы от значений наблюдаемых переменных; 4. Отсутствие автокорреляции ошибок, т. е. значений ошибок различных наблюдений независимы друг от друга; 5. Нормальность. Случайные ошибки имеют нормальное распределение; 6. Значения эндогенной переменной X свободны от ошибок измерения и имеют конечные средние значения и дисперсии,
Классические методы предполагают равноценность исходной информации в модели. В реальной же практике будущее поведение процесса значительно в большей степени определяется поздними наблюдениями, чем ранними. Это обстоятельство породило так называемое дисконтирование, т. е. уменьшение ценности более ранней информации.
Важным моментом получения прогноза является оценка достоверности полученного результата. Для этой цели используется целый ряд статистических характеристик: 1. оценка стандартной ошибки; 2. средняя относительная ошибка оценки; 3. среднее линейное отклонение; 4. корреляционное отношение для оценки надежности модели; 5. оценка достоверности выбранной модели через значимость индекса корреляции по критерию Фишера;
Недостатки, обусловленные жесткой фиксацией тренда. Жесткие статистические предложения о свойствах временных рядов ограничивают возможности методов математической статистики, теории распознавания образов, теории случайных процессов и т.п., так как многие реальные процессы не могут адекватно быть описаны с помощью традиционных статистических моделей, поскольку, по сути, являются существенно нелинейными и имеют либо хаотическую, либо квазипериодическую, либо смешанную основу.
Метод экспоненциального сглаживания. Для метода экспоненциального сглаживания основным и наиболее грудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозируемого полинома. Кроме того, для определения начальных параметров модели остаются актуальными перечисленные недостатки МНК и проблема автокорреляций.
Предобработка данных в задачах нейросетевого прогнозирования
Создание и обучение нейронной сети начинается с задания ее структуры и функции активации нейрона. Как было показано, при использовании многослойного персептрона для решения задач аппроксимации функций (в том числе и задач прогнозирования) нет необходимости в числе скрытых слоев больше одного. Таким образом, предлагается использовать нейронную сеть, имеющую в своем составе входной, один скрытый и выходной слои.
Число нейронов первого (то есть, входного) слоя зависит от количества входных параметров и для задачи прогнозирования равно ширине окна погружения ряда (N).
Выходной слой содержит один нейрон, выход которого представляет собой полученное, в результате работы нейронной сети, значение прогноза. При необходимости получения одновременно нескольких выходных значений предпочтительнее не увеличивать число выходных нейронов, а обучать несколько отдельных нейронных сетей, каждая из которых имеет один выход. В пользу предлагаемого подхода свидетельствуют результаты исследований, изложенных в [33, 34]. В процессе определения и настройки параметров нейросети число скрытых нейронов может варьироваться с целью увеличения точности прогноза. При этом порядок их количества можно приблизительно оценить с помощью теоремы Колмогорова [33, 34, 37, 38] и следствия из нее. В соответствии с этим теоретическими результатами непрерывную функцию аппроксимировать с любой точностью при помощи трехслойной нейросети, которая имеет N входных, 2 N+J скрытых и один выходной нейрон. Таким образом, число 2 N+1 теоретически можно считать верхней границей для числа нейронов на скрытых уровнях. Однако, данная оценка справедлива для наилучшей сети, соответствующей глобальному минимуму ошибки в пространстве весов. На практике достичь глобального минимума обычно не удается. Кроме того, имея 2 N+I скрытых слоев, сеть способна в точности запомнить обучающие примеры. В тоже время в реальности от нее требуется их обобщить, выявив скрытые закономерности. Таким образом, оценка Колмогорова по сути сделана для другой задачи и, в данном случае служит лишь ориентиром.
Количество нейронов в скрытом слое будем определять путем создания избыточной сети с 2N+1 нейронами в скрытом слое (где N — окно погружения) и контрастирования сети. Основная цель данной процедуры — уменьшить размерность сети, и как следствие облегчить выполнение всех последующих вычислительных операций с данной сетью. В ходе этой процедуры не ставится цель сократить нейронную сеть с целью повысить ее обобщающие способности. В работах В.Г. Царегородцева было показано, что прямая связь между размером сети и ее способностью к обобщению далеко не так однозначна. Это же подтвердили эксперименты, выполняемые в ходе создания системы нейропрогнозирования (подробнее в главе 3). Поэтому задача максимизировать способность сети к обобщению ставится на следующем этапе создания модели прогнозирования.
В качестве функции активации нейрона предлагается использовать биполярную сигмоиду. Сигмоидная функция используется, так как она является гладкой, дифференцируемой, а ее производная выражается через саму функцию, что важно для обучения сети. В тоже время рациональная сиг-моида с областью определения [0;1] имеет недостаток, связанный с ее несимметричностью относительно оси абсцисс, который уменьшает скорость обучения. Поэтому, в рамках работы предлагается применить биполярную сигмовидную функцию. Эксперименты показали, что область определения биполярной функции не оказывает существенного влияния на процесс обучения и качество прогноза. Для определенности в дальнейшем будет использоваться функция с областью применения [-1;1]. Автоматизация обучения нейронной сети
В первой главе была отмечена одна из проблем обучения нейронных сетей - переобучение, которая возникает при слишком близкой подгонке ошибки обучения к нулю. На рисунке 2.9 представлен характер поведения ошибки обучения и ошибки обобщения на некотором обучающем множестве. Как видно ошибка обучения постоянно снижается, а ошибка обобщения сначала снижается, а затем возрастает.
Число итераций обучения, t Рисунок 2.8 — Ошибки обучения и обобщения Для достижения разумного компромисса между двумя ошибками характеризующими процесс обучения необходимо использовать механизм контрольной кросс-проверки (рисунок 2.10), при котором часть обучающих наблюдений резервируется и не используется в процессе обучения по алгоритму обратного распространения. Вместо этого по мере работы алгоритма она используются для независимой проверки результата. В самом начале работы ошибка сети на обучающем и проверочном множествах будет одинаковой, но по мере того как сеть обучается, ошибка обучения, естественно, убывает, и пока обучение уменьшает действительную функцию ошибок, ошибка на проверочном множестве также будет убывать. Если же контрольная ошибка перестала убывать или даже стала расти, это указывает
Создание прогнозной модели с использованием программного комплекса
Первый шаг обучения нейросети - составление обучающих выборок. Обучающая выборка, должна содержать примеры, описывающие состояние объекта исследования, и значения целевого параметра. Например, для экономических задач оценки деятельности конкретного предприятия наиболее характерно применение временных отсчетов в качестве базового параметра измерения, т.е. примеры значений параметров объекта отличаются тем, что измерены в различные моменты времени. Каждая выборка должна содержать рассчитанные коэффициенты и значение обобщающего показателя. При решении неформализованных задач, таких, например, как оценка социально-экономической ситуации, получение целевого параметра экспериментальным путем невозможно. Так как нельзя получить точную числовую интерпретацию итогового показателя. В этом случае используется экспертная информация, формируемая опытным специалистом в соответствующей области знаний или группой экспертов при помощи метода экспертной оценки. Далее рассмотрим настройку каждого узла решения на конкретные данные. Прогноз продаж
Решателем данного узла дерева является нейронная сеть. Данный выбор объясняется тем, что формирование итогового прогноза продаж на основе рассчитанных подчиненных узлов дерева, должно учитывать накопленный опыт, т.е. ситуации, которые уже встречались на автомобильном рынке. Для составления обучающей выборки были рассчитаны все показатели аналитического дерева за последние годы (2004-2007). Входные показатели узла «Прогноз сбыта»: Социально-экономические показатели; Потребительские характеристики; Продвижение товара; Конкуренты; Прогноз сбыта. Социально-экономические показатели Решателем данного узла дерева является нейронная сеть. Экспертами были проставлены оценки общей социально-экономической на основе входных показателей за последние 3 года. На основе их оценок была сформирована итоговая обучающая выборка для нейронной сети.
Потребительские характеристики
Решателем данного узла дерева, а также узлов «Качественный фактор» и «Экономический фактор» является нейронная сеть. Входные данные для этих узлов формировались путем метода перебора всех возможных значений. Выходные данные (результирующий показатель — качественный фактор) проставлялись группой экспертов. На основе их оценок была сформирована итоговые обучающие выборки для нейронной сети.
Прогноз, полученный при помощи нейросетевого комитета, входит в состав общей структуры гибридной экспертной системы, которая позволяет реагировать на изменение различных экономико-социальных показателей. В ходе проведения эксперимента прогнозирования продаж при помощи гибридной экспертной системы, ставилась задача проанализировать поведение спроса в результате изменения входных показателей.
Наблюдается линейность изменения прогнозных значений в результате моделирования. Однако во многом это обуславливает небольшим объемом знаний заложенных в модель и недостаточным количеством экспертов привлеченных к настройке системы. Работоспособность дерева действительно решать поставленные задачи, продолжает проверяться специалистами и экспертами в данной области. Центральной проблемой в решении подобных задач является выбор критериев - исходных показателей и промежуточных вершин. Существенны проблемы сбора исходных данных, проверки достоверности, контроля и полноты информации.
Использование гибридной модели позволило не только снизить ошибку прогноза с 10.2% до 5.9%, но и смоделировать ряд рыночных ситуаций. Уже сейчас эксперимент по моделированию различных рыночных ситуация дает реальный результат, на основании которого руководство предприятия может принимать решения.
В диссертационной работе рассмотрен комплекс теоретических и практических вопросов, связанных с анализом, прогнозированием временных рядов, адаптацией нейросетевой прогнозной модели.
В ходе проведенных исследований в диссертационной работе были решены следующие задачи
1. Обобщены и систематизированы основные методы и модели прогнозирования временных рядов. Показано, что в рамках традиционных методов прогнозирования, значительных улучшений качества прогноза, адаптации прогнозной модели добиться очень сложно.
2. Предложена модель анализа, предобработки и прогнозирования временных рядов, используя преимущества методов прогнозирования на базе нейронных сетей и гибридных экспертных систем.
3. Предложен комплексный алгоритм предобработки временных рядов, включающий автоматическое прохождение всех этапов. Определены алгоритмы обработки на каждом этапе, и индикаторы эффективность тех или иных преобразований.
4. Разработан блок оперативного контроля за адекватностью прогнозной модели, создана группа показателей и экспертная система реагирующая на изменения во входных данных. В ходе вычислительного эксперимента показана эффективность данного блока для оперативной адаптации прогнозной модели.
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.
