Прогнозирование с использованием нейротехнологий. Нейропакеты и их характеристики

 

МИНОБРНАУКИ РОССИИ

 

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального  образования

 «Юго-западный государственный университет»

 

 

Кафедра информационных систем и технологий

 

РЕФЕРАТ

 

по  дисциплине  «Основы прогнозирования и планирования»

 

 

на тему «Прогнозирование с использованием нейротехнологий. Нейропакеты и их характеристики»

 

 

 

Специальность «Прикладная информатика в экономике»

 

 

 

 

 

 

 

 

 

 

 

 

Автор работы                                                                       Бондарев Д. А.

Группа ПЭ-91з

 

 

Руководитель работы                                                            Лапина Т.И.

 

 

 

 

 

Курск 2013 г.

 

Прогнозирование с использованием нейросетей.

Нейронные сети - это очень мощный и гибкий механизм прогнозирования. При определении того, что нужно прогнозировать, необходимо указывать переменные, которые анализируются и предсказываются. Здесь очень важен требуемый уровень детализации. На используемый уровень детализации влияет множество факторов: доступность и точность данных, стоимость анализа и предпочтения пользователей результатов прогнозирования. В ситуациях, когда наилучший набор переменных неясен, можно попробовать разные альтернативы и выбрать один из вариантов, дающий наилучшие результаты. Обычно так осуществляется выбор при разработке прогнозирующих систем, основанных на анализе исторических данных.

Второй  важный этап при построении нейросетевой прогнозирующей системы - это определение  следующих трех параметров: периода  прогнозирования, горизонта прогнозирования  и интервала прогнозирования. Период прогнозирования - это основная единица  времени, на которую делается прогноз. Горизонт прогнозирования - это число  периодов в будущем, которые покрывает  прогноз. То есть, может понадобиться прогноз на 10 дней вперед, с данными  на каждый день. В этом случае период - сутки, а горизонт - 10 суток. Наконец, интервал прогнозирования - частота, с  которой делается новый прогноз. Часто интервал прогнозирования  совпадает с периодом прогнозирования. Выбор периода и горизонта  прогнозирования обычно диктуется  условиями принятия решений в  области, для которой производится прогноз. Выбор этих двух параметров - едва не самое трудное в нейросетевом прогнозировании. Для того чтобы  прогнозирование имело смысл, горизонт прогнозирования должен быть не меньше, чем время, необходимое для реализации решения, принятого на основе прогноза. Таким образом, прогнозирование  очень сильно зависит от природы  принимаемого решения. В некоторых  случаях, время, требуемое на реализацию решения, не определено, например, как  в случае поставки запасных частей для пополнения запасов ремонтных предприятий. Существуют методы работы в условиях подобной неопределенности, но они повышают вариацию ошибки прогнозирования. Поскольку с увеличением горизонта прогнозирования точность прогноза, обычно, снижается, часто можно улучшить процесс принятия решения, уменьшив время, необходимое на реализацию решения и, следовательно, уменьшив горизонт и ошибку прогнозирования.

В некоторых  случаях не так важно предсказание конкретных значений прогнозируемой переменной, как предсказание значительных изменений  в ее поведении. Такая задача возникает, например, при предсказании момента, когда текущее направление движения рынка (тренд) изменит свое направление  на противоположное.

Точность  прогноза, требуемая для конкретной проблемы, оказывает огромное влияние  на прогнозирующую систему. Также огромное влияние на прогноз оказывает  обучающая выборка.

Первое, с чем сталкивается пользователь любого нейропакета - это необходимость подготовки данных для нейросети. На практике именно предобработка данных может стать наиболее трудоемким элементом нейросетевого анализа. Причем, знание основных принципов и приемов предобработки данных не менее, а может быть даже более важно, чем знание собственно нейросетевых алгоритмов. Последние, как правило, уже "зашиты" в различных нейроэмуляторах, доступных на рынке. Сам же процесс решения прикладных задач, в том числе и подготовка данных, целиком ложится на плечи пользователя.

Рассмотрим  задачу прогнозирования объема продаж товаров предприятия. Среда является недетерминированной, так как обычные методы не позволяют со сто процентной уверенностью сказать, что будет в следующий момент времени и выявить все факторы, которые влияют на прогнозируемую величину практически невозможно (можно только ограничить набор факторов). Имеется следующий набор финансовых индикаторов:

Деятельность  предприятия:

·                  история продаж (количество, суммы);

·                  история состояния склада;

·                  показатели рекламной активности.           

Внешние факторы:

·                   прайс – листы конкурентов;

·                   состояние рынка;

·                   инфляция;

·                   курсы доллара, евро и т. д.;

·                   фондовые индексы (РТС, NASDAQ, Dow Jones и другие).

В результате комплексных исследований были выявлены вторичные факторы, оказывающие  влияние на объем продаж предприятия, которые необходимо учитывать. Эти  показатели представлены в таблице 1. Как видно из таблицы, перечисленные  параметры имеют различную значимость, значения этих параметров имеют разную природу и добываются из различных  источников. В результате содержательного  анализа перечисленных параметров выявлено, что некоторые из них  невозможно включить в модель из-за невозможности получения данных, а отдельные не оказывают сильного влияния на динамику модели и, поэтому  их можно без существенной потери точности исключить из модели.

 

 

 

 

 

 

 

 

Таблица 1

Вторичные параметры используемые  для принятия решений

Независимые переменные	Значимость
1.Концентрация	++++
2. Состояние склада	++++
3. Экономия от масштаба	++
4. Дифференциация продукта	+++
5. Интенсивность рекламы	+++
6. Отношение  активы  - объем производства	++
7. Рост.	+++
8. Диверсификация	++
9. Географическое размещение.	+
10. Риск	++++
11. Экспорт	+
12. Импорт	+
13. Рыночная доля	+++
14. Концентрация покупателей	+
15. Интенсивность исследований и  разработок	+
16. Стратегические группировки	+

 

  

Следует отметить, что сама история продаж предприятия дает для обучения нейросети примерно 60 % необходимой информации.      

Задача  прогнозирования объема продаж предприятия  обладает теми особенностями, которые  делают целесообразным использование  нейросетевых методов моделирования и, в частности, топологии «внутренний учитель»:

а) таблица  данных может иметь небольшой  размер;

б) в таблице  данных могут присутствовать пропуски данных;

в) в данных возможны искажения («шум»);

г) необходима возможность адаптации модели при  поступлении новых данных;

д) трудно получить линейную алгебраическую модель;

е) большое  количество позиций номенклатуры. 

 

 

 

Общий алгоритм прогнозирования с  помощью нейронной сети. 

 

Алгоритм  состоит из следующих пунктов:

·        получение временного ряда с интервалом в выбранную временную итерацию;

·        заполнение «пробелов» в истории;

·        сглаживание ряда методом скользящих средних (или другим);

·        получение ряда относительного изменения прогнозируемой величины;

·        формирование таблицы «окон» с глубиной погружения   временных интервалов;

·        добавление к таблице дополнительных данных (например, изменение величины за предыдущие годы);

·        шкалирование;

·        определение обучающей и валидационной выборок;

·        подбор параметров нейросети;

·        обучение нейросети;

·        проверка работоспособности нейросети в реальных условиях.

Поясним термин «таблицы окон». Данные необходимо преобразовать по специальной схеме. Сначала преобразуем полученный временный ряд в ряд приращений прогнозируемой величины, т. е. будем  прогнозировать изменение величины, а не абсолютные значения ряда. Затем  выберем глубину погружения, т.е. количество временных интервалов, по которым мы будем прогнозировать следующий. Возьмем глубину погружения равной 4, т.е. прогнозирование величины на следующую итерацию будет осуществляться по результатам четырех предыдущих итераций. Далее следует преобразовать величину к следующему виду:

Таблица 2

Первый вариант «окна» данных

Hist1	Hist2	Hist3	Hist4	Hist0
D-1	D-2	D-3	D-4	D
D-2	D-3	D-4	D-5	D-1
D-3	D-4	D-5	D-6	D-2
…	…	…	…	…

Первые  четыре колонки являются входами  нейросети, последняя – выход, т. е. на основе предыдущих значений изменения величины прогнозируется следующее значение ряда. Таким образом, мы получаем так называемое «скользящее окно», в котором представлены данные за пять недель. Окно можно двигать по временной оси и изменять его ширину. Чтобы учесть предыдущие годы и учесть возможные сезонные зависимости добавим еще один столбец в выборку, который показывает изменение величины в прошлый год за тот же период.

 

 

 

 

 

 

Таблица 3

Второй вариант «окна» данных

LastY	Hist1	Hist2	Hist3	Hist4	Hist0
L	D-1	D-2	D-3	D-4	D
L-1	D-2	D-3	D-4	D-5	D-1
L-2	D-3	D-4	D-5	D-6	D-2
…	…	…	…	…	…

 

 

Таким образом, готовится обучающая выборка  и именно в таком виде предоставляются  данные для последующего анализа. Можно  не ограничиваться только прошлым годом, а подавать данные за несколько предыдущих лет, но следует учитывать, что сеть в таком случае разрастается, что  иногда приводит к плохим результатам.

К недостаткам  прогнозирования с помощью нейронных  сетей можно отнести следующее: длительное время обучения, проблема переобучения, трудность определения  положения обучающей выборки  и значащих входов.

 

 

 

 

 

 

 

 

 

Нейропакеты и их характеристики.

В настоящее  время известно большое количество нейропакетов, выпускаемых рядом фирм и отдельными исследователями и позволяющих конструировать, обучать и использовать нейронные сети для решения практических задач Характеристики некоторых из них приведены в табл 4.

Рассмотрим  несколько нейропакетов, предназначенных  для реализации на персональных компьютерах  в различных операционных средах, по степени их универсальности, а также с точки зрения простоты использования и наглядности представления информации

Таблица 4

Характеристики некоторых современных  нейропакетов

Производитель		Наименование продукта			Платформа			Функциональные характеристики
1		2			3			4
AbTech (Шалетсвилл ил- Вайоминг США) http //www abtech com/MQ1 HTM		ModelQuest			Windows			Интегральная среда для прогнозирования  принятия решений и управления В основе лежит концепция «статистических сетей» (Statistical Networks) как сплава НС и статистических методов обработки
AlWare Inc		Process Advisor			Windows			Нейропакет для решения задач управления динамическими процессами
Attar Software (Ланкашир, Великобритания) http //www attar com		XpertRule Analyser			Windows			Пакет для построения моделей данных и выявления скрытых закономерностей на основе вероятностных правил, генетических алгоритмов или НС
BioComp Systems (Редмонд шт Вашингтон, США), http //www biocomp com		NeuroGenetic Optimizer (NGO)			Windows			Инструментальная среда для оптимизации  входных сигналов и структуры  НС на основе генетических алгоритмов
California Scientific Software (Невада- Сити, шт Калифорния США), http //www calsci com		BrainMaker			Windows, Macintosh			Инструментальная среда для разработки приложений на основе НС для распознавания образов, прогнозирования и нейросе- тевой памяти
Megaputer Intelligence (Москва, Россия), http //mosca sai msu su/-mp/megapute html		PolyAnalyst			OS/2 Warp Windows			Объектно-ориентированная среда для анализа данных, поиска закономерностей и представления их в символическом виде
NCS (Саутгемптон, Великобритания), http //www demon со uk/skylake/soft- ware html		NeuFrame			Windows			Пакет для разработки приложений на основе НС Реализует комбинированные алгоритмы НС и нечеткой логики
NeuroDimension Inc (Сиэтл США) http //www nd com		NeuroSolutions			HP, Sun, Windows			Нейропакет с широкими средствами визуализации, для конструирования НС с произвольной топологией и процедурами обучения
NeoVista (Купертино, шт Калифорния, США), http //www neovista com		Decision Series			HP, Sun, Digital			Система для автоматического поиска знаний в коммерческих базах данных Позволяет строить прогнозы, используя технологию обучаемых НС
NeuralWare (Питсбург, шт Пенсильвания, США), http //www neural- ware com		NeuralWorks Professional II/ Plus			PC, Sun, IBM RS/6000, Apple Macintosh, SGI, Digital, HP			Инструментальная среда для разработки приложений на основе 25 моделей НС с полный набором средств для обучения и тестирования НС
Promised Land Technologies, Inc http //promland com/ demo htm		Braincel			Windows			Нейропакет для моделирования НС прямого распространения с быстрым алгоритмом обучения
StatSoft		Statistica Neural Networks			Windows			Пакет нейросетевого анализа для конструирования и применения НС
Southern Scientific СС South Africa http //www simtel net/simtel net/win3/ neural-pre html		NeuraHO			Windows			Нейропакет, реализующий сеть прямого распространения с алгоритмом обратного распространения ошибки для решения задач распознавания
SPSS (Чикаго, шт Иллинойс, США) http //www spss com		Neural Connection			Windows			Среда дпя решения задач классификации, прогнозирования и анализа временных рядов на основе 4-х архитектур НС
Thinking Machines (Бэдфорд, шт Массачусетс, США), http //www think com		Darwin			Аппаратные платформы от ПК до суперкомпьютеров			Инструментальная среда для анализа  данных Star- Net — модуль для моделирования НС
Universal Problem Solvers Inc http //www simtel net/simtel net/wm3/ neural-pre html		MPIL (Multipass Instance- Based Learning)			Windows			Нейропакет для кластерного анализа извлечения знаний из экспериментальных данных
Ward Systems Group		NeuroShell 2			Windows			Нейропакет для моделирования наиболее известных нейропарадигм (многослойных НС, сетей Кохонена и др)
Ward Systems Group		NeuroShell 2			Windows			Нейропакет для моделирования наиболее известных нейропарадигм (многослойных НС, сетей Кохонена и др)
С Jensen, США http //www simtel net /simtel net/win95/ neural-pre html		QwikNet			Windows			Нейропакет, моделирующий многослойную сеть прямого распространения и различные модификации алгоритма обратного распространения ошибки
S Wolstenholme, UK http //www simtel net /simtel net/win3/ neural-pre html		Neural Planner			Windows			Нейропакет для моделирования нейронных сетей различной конфигурации для решения задач классификации объектов, анализа случайных процессов, создания эффективных экспертных систем
АОЗТ «Альфа Систем» (ЛЭТИ, С —  Петербург), dorv@actor ru		Neuro Office				Windows		Пакет для проектирования интеллектуальных программных модулей на основе НС
Институт вычислительного моделирования СО РАН, Красноярск.Россия, Царегородцев В Г tsar@cc krascience rssi ru		NeuroPro				Windows			Нейропакет для извлечения знаний из таблиц данных
ООО «НейрОК» (МГУ, Москва, Россия), www neurok ru		Excel Neural Package				Windows			Нейропакет для статистического прогнозирования и анализа многомерных данных
НейроКомп (ВЦ СО РАН, Красноярск, Россия), amse@cc krascience rssi ru		Глаз				Windows			Распознавание визуальных образов Используется для обработки аэрокосмической информации
НейроКомп (ВЦ СО РАН, Красноярск, Россия), amse@cc krascience rssi ru		Клаб				Windows			Среда для решения задач классификации, в том числе в медицинской, психологической и технической диагностике
НейроКомп (ВЦ СО РАН, Красноярск, Россия), amse@cc krascience rssi ru		MultiNeuron				DOS, Windows			Программный нейроими- татор для решения задач из различных предметных областей
AO «Нейрома-РД» (Москва, Россия), http //www nbdatyner com/nbd		«Нейроими- татор»				Windows			Пакет программ моделирования биологических нейронных сетей
СНИЦ «Нейроси- стемы» АН Татарстана		NeuralMaker				Windows			Пакет для разработки прикладных НС
ТОО НПИЦ «Микросистемы» (Москва, Россия)		TextAnalyst				Windows			Нейросетевая система автоматического смыслового анализа текстов
Аргусофт (Москва, Россия)		Neuroline				Windows			Инструментальная среда на основе НС
ЗАО «Интраст» (Москва, Россия)						Windows			Комплекс прогнозирования курса  акций и финансового анализа