Прикладні аспекти використання методу групового урахування аргументів при короткостроковому прогнозуванні
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Вівторок, 09 лютого 2016, 22:37
- Опубліковано: Вівторок, 09 лютого 2016, 22:37
- Перегляди: 4264
Автори:
О.В. Скакаліна, кандидат технічних наук, Полтавський національний технічний університет ім. Ю. Кондратюка, доцент кафедри комп’ютерних та інформаційних технологій та систем, м. Полтава, Україна
Реферат:
Мета. Створення інтелектуальної інформаційної технології короткострокового прогнозування основних показників виробничої діяльності господарських суб'єктів (ГС) на основі комбінаторного та нейромережевого алгоритмів методу групового урахування аргументів.
Методика. У роботі представлена інтелектуальна інформаційна технологія короткотермінового прогнозування основних економічних показників виробничої діяльності господарського суб’єкта на прикладі агрохолдингу (АХ) із застосуванням модифікацій класичного алгоритму методу групового урахування аргументів (МГУА), представлене порівняння ефективності комбінаторного та нейромережевого алгоритмів МГУА.
Результати. Зроблено аналіз методів прогнозування та обґрунтовано вибір нейромережевого алгоритму МГУА при виконанні досліджень. Складена оптимальна структура моделі та залежність вихідних параметрів від обраних вхідних параметрів системи. Виконано аналіз економічних показників АХ. Зроблена графічна візуалізація результатів досліджень. Доведена ефективність застосування модифікацій алгоритмів МГУА для прогнозування виробничих трендів на термін до 3-х років. Виявлені закономірності зміни даних. Розрахована оцінка точності отриманих результатів.
Наукова новизна. На основі змістовного аналізу основних показників виробничої діяльності АХ запропоновані нові підході до побудови їх оптимальних моделей з урахуванням особливостей предметної області , що дозволяє підвищити якість прийняття управлінських рішень, удосконалити алгоритмічне забезпечення систем підтримки прийняття рішень (СППР) щодо керування агрохолдингами. Розроблена інформаційна технологія короткотермінового прогнозування на основі нейромережевого алгоритму МГУА.
Практична значимість. На основі запропонованої технології було проведене короткотермінове прогнозування основних економічних показників виробничої діяльності господарського суб’єкта (реалізація товарів та послуг, собівартість реалізованої продукції, валовий прибуток, чистий прибуток, комерційні, загальногосподарські та адміністративні витрати). Отримана оцінка точності результатів прогнозування , що знаходиться в інтервалі від 1 до 5%.
Список літератури / References:
1. Ивахненко А.Г. Моделирование сложных систем по экспериментальным данным / Ивахненко А.Г., Юрачковский Ю.П. – М.: Радио и связь, 1987. – 120 с.
Ivakhnenko, A.G. and Yurachkovskiy, Yu.P. (1987), Modelirovaniye slozhnykh sistem po eksperimentalnym dannym [Modeling of Complex Systems Based on Experimental Data], Radio i Sviaz, Moscow 120 p.
2. Бояринов Ю.Г. Использование нейро-нечеткого метода группового учета аргументов для построения моделей региональных социально-экономических систем / Бояринов Ю.Г. // Информационные технологии моделирования и управления. − 2006. − Вып. 4(29). – С. 6−12.
Boyarinov, Yu.G. (2006), “Use of neuro-fuzzy group method of accounting arguments for building models of regional socio-economic systems”, Informatsyonnye Tekhnologii Modelirovaniya i Kontrolya, Vol. 4(29), pp. 6−12.
3. ЗайченкоЮ.П. Порівняльний аналіз прогнозуючих моделей, побудованих за допомогою нечітких алгоритмів МГУА з використанням різних алгоритмів генерації нечітких прогнозуючих моделей / Ю.П. Зайченко, І.О.Заєць // Матеріали міжнар. Семінару з індуктивного моделювання. – К.: НАН України, МННінформ. технол. Та систем, 2007. − №.4. − С. 158−165.
Zaichenko, Yu.P. and Zaiets, I.O. (2007), “Comparative analysis of the predictive models built using fuzzy algorithms and fuzzy GMDH using different algorithms for generating fuzzy prediction models”, Proc. of the Intern. Conf. on Inductive Modelling, Kyiv: National Academy of Sciences of Ukraine, no.4, pp. 158‒165.
4. Бидюк П.И. Анализ качества оценок прогнозов с использованием метода комплексирования / П.И. Бидюк, А.С. Гасанов, С.Е. Вавилов // Системні дослідження та інформаційні технології – 2013. − №4. − С. 7−16.
Biduk, P.I., Hasanov, A.S. and Vavilov, S.Ye. (2013), Analysis of the Quality Assessments of forecasts using the method of complexation, Systemni Doslidzhennia ta Informatsiini Technolohii, no.4, pp. 7−16.
5. Синеглазов В.М. Метод решения задачи прогнозирования на основе комплексирования оценок / В.М. Синеглазов, Е.И. Чумаченко, В.С. Горбатюк // Індуктивне моделювання складних систем. – 2012. − Вип. 4. − С. 214−223.
Sineglazov, V.M., Chumachenko, Ye.I. and Gorbatyuk, V.S. (2012), “Method of solving the problem of forecasting based on a variety of estimates”, Induktyvne Modeliuvannia Skladnykh System, Vol. 4, pp. 214−223.
6. Литвинов В.В. Создание блочных моделей систем и процессов с использованием метода группового учета аргументов / В.В. Литвинов, А.А. Задорожний // Математичні машини і системи. – 2012. − №2. − С.107 −116.
Litvinov, V.V. and Zadorozhny, A.A. (2012), “Creating block models of systems and processes using the group method of data handling”, Matematychni Mashyny i Systemy, no.2, pp. 107−116.
7. GMDH Shell, available at: http://www.machine learning.ru/GMDH_Shell
![]() ![]() |
|
![]() ![]() ![]() |
![]() |