Разработка математического и программного обеспечения автоматизированного прогнозирования временных рядов на основе нейрокомпьютерных технологий

Актуальность темы

Прогнозирование играет важную роль в различных областях народного хозяйства. Поскольку условия технологических процессов и экономические условия ведения бизнеса изменяются во времени, необходимо постоянно отслеживать и предсказывать эти изменения для успешной реализации технических решений или совершения деловых операций.

К настоящему времени разработаны многие методы прогнозирования, конечной задачей которых является предсказание будущих событий с той или иной степенью надежности с целью использования этого прогноза при принятии решений.

Формально имеется два подхода к прогнозированию — качественное и количественное. Методы качественного прогнозирования, такие как метод экспертного оценивания, особенно важны, когда статистические данные за прошедшие периоды времени недоступны и/или ненадежны. Все качественные методы крайне субъективны и подвержены высокой ошибке прогноза.

Количественные методы прогнозирования основаны на существенном использовании информации за прошедшие периоды времени. При исследовании тенденции процесса за прошедшее время удается выяснить основные взаимосвязи между величинами и дать более надежный прогноз на будущее.

Методы прогнозирования, основанные на анализе временных рядов, относятся к классу количественных методов прогнозирования. Прогнозирование временных рядов предусматривает определение прогнозного значения переменной преимущественно на основе прошлых и текущих значений этой же переменной. Если определяются значимые факторы и функциональная или стохастическая зависимость отклика от этих факторов с применением множественного регрессионного анализа, то, как правило, говорят об анализе многомерных временных рядов.

Сегодня, в связи с широким распространением программных средств принятия решений, особенную важность представляет разработка методов автоматизированного прогнозирования для использования результатов прогноза в автоматизированных системах принятия решений.

Автоматизированное прогнозирование с использованием вычислительной техники предполагает функционирование прогнозирующих моделей и алгоритмов с минимальным участием человека, автоматический выбор модели и параметров модели для прогнозирования конкретных показателей, численно выражаемых с помощью временного ряда.

В то же время, классические методы прогнозирования временных рядов, в том числе методы, основанные на аппарате математической статистики, обладают рядом недостатков, затрудняющих их использование для построения автоматизированных прогнозирующих моделей.

Одним из современных методов, используемых для прогнозирования, являются искусственные нейронные сети.

Теория искусственных нейронных сетей была создана и развита такими учеными, как Ф. Розенблатт, М. Минский, С. Гроссберг, Т.Кохонен. Сегодня вопросам теории и практического использования искусственных нейронных сетей посвящены работы таких ученых России, как А. И. Галушкин, А. Н. Горбань, В. В. Золотарев, С. Г. Короткий, А. А. Ежов, В. М. Неделько.

Применение нейронных сетей для прогнозирования включает в себя распознающие модели и модели прогнозирования временных рядов. Одним из главных преимуществ нейронных сетей является их способность к обучению и самообучению, т. е. адаптации модели к решению конкретной задачи. Вышесказанное делает искусственные нейронные сети одним из перспективных направлений в разработке методов автоматизированного прогнозирования.

Цель диссертационной работы состоит в разработке эффективных методов прогнозирования временных рядов на основе искусственных нейронных сетей, позволяющих максимально возможно устранить недостатки существующих методов, обеспечивая при этом высокую достоверность прогнозасоздании автоматизированной информационной системы, позволяющей решать задачу прогнозирования временных рядов.

Для достижения цели необходимо решить следующие задачи:

1. Провести анализ существующих методов прогнозирования временных рядов и выявить перспективные направления в области их развития.

2. Исследовать применение искусственных нейронных сетей для автоматизированного прогнозирования временных рядов.

3. Разработать методики повышения эффективности прогнозирующих нейросетевых моделей.

4. Разработать программные средства для автоматизированного прогнозирования временных рядов на основе разработанных методик.

5. Разработать архитектуру автоматизированной информационной системы прогнозирования на основе разработанных методик.

Методы исследования. Разработки и исследования проводились на основе теории вероятностей, математической статистики, системного анализа, математического и имитационного моделирования, теории искусственных нейронных сетей, технологий модульного и объектно-ориентированного программирования.

Научная новизна. В рамках диссертационной работы были получены следующие результаты:

1. Показано, что применение искусственных нейронных сетей позволяет повысить эффективность прогнозирования временных рядов, лишено ряда недостатков классических статистических методов анализа и прогнозирования временных рядов и может служить основой для автоматизированного прогнозирования (с минимальным участием человека).

2. Предложены и исследованы способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта.

3. Разработан генетический алгоритм комплексной оптимизации прогнозирующих нейросетей, позволяющий уменьшить время обучения.

4. Предложена методика распараллеливания генетического алгоритма оптимизации нейросетей на кластерных архитектурах.

5. Разработан метод уменьшения размерности входов прогнозирующей нейросети на основе сопряжения различных нейросетевых архитектур.

6. Разработана архитектура автоматизированной информационной системы прогнозирования временных рядов на основе нейросетевых технологий.

7. Разработан пакет прикладных программ (ППП) для автоматизированного прогнозирования временных рядов.

Практическая ценность работы. Разработаны способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта. Разработан генетический алгоритм комплексной оптимизации прогнозирующих нейронных сетей, применение которого может уменьшить время обучения в 2−5 раз для многофакторных прогнозирующих моделей. Предложена методика распараллеливания генетического алгоритма, позволяющая реализовывать его на параллельных и кластерных архитектурах. Разработана прогнозирующая модель на основе сопряжения архитектур «карта Кохонена» — «сеть обратного распространения», позволяющая уменьшить размерность входов и время обучения нейросети. Разработан пакет прикладных программ для автоматизированного прогнозирования временных рядов, реализующий предложенные в диссертационной работе методики. Разработана архитектура автоматизированной информационной системы прогнозирования временных рядов на основе нейросетевых технологий. Преимуществами предложенной архитектуры являются коллективный доступ пользователей на основе технологиии «клиент/сервер» и оперативное обновление статистики исходных данных из информационных ресурсов сети Internet.

Достоверность полученных в диссертационной работе результатов подтверждается:

• использованием положений теории вероятностей и математической статистики;

• использованием понятий и выводов теории нейронных сетей;

• разработкой действующих программных средств, подтвержденных свидетельствами об официальной регистрации;

• наличием актов внедрения и использования результатов диссертационной работы.

На защиту выносятся:

1. Способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта.

2. Генетический алгоритм комплексной оптимизации прогнозирующих нейронных сетей.

3. Метод уменьшения размерности входов прогнозирующей нейросети на основе сопряжения различных нейросетевых архитектур.

4. Архитектура автоматизированной информационной системы прогнозирования.

Внедрение результатов. Результаты работы использованы в ООО «Кар-центо» для решения задач прогнозирования финансово-экономических показателей и принятия на их основе обоснованных производственных решений по ценам на рынке цветных металлов и в Рязанском областном клиническом онкологическом диспансере для прогнозирования отдаленных результатов лечения больных раком молочной железы на основе использования ряда биологических и химических параметров клеток.

Результаты работы внедрены в Центре новых информационных технологий Рязанской государственной радиотехнической академии для прогнозирования трафика и нагрузки на серверы в сетях информационно-вычислительного центра, что позволило проводить прогнозирование пиковых нагрузок и повысить эффективность использования компьютерных сетей.

Апробация работы. Основные положения диссертации докладывались на следующих конференциях:

9-я научно-методическая конференция РГРТА, 1−5 февраля 1999 г., г. Рязань.

10-я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», 1416 ноября 2001 г., г. Рязань.

11 -я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», 2627 ноября 2002 г., г. Рязань.

Публикации. По теме диссертации опубликовано 11 печатных работ, из них 3 в соавторстве. В их числе 4 статьи в межвузовских сборниках, 2 депонированные статьи, 2 доклада на международных конференциях, 2 учебных пособия, свидетельство об официальной регистрации программы в РОСПАТЕНТ.

Структура и объем диссертации

Диссертационная работа состоит из введения, пяти глав и заключения. Содержит 140 страниц, 9 таблиц, 39 рисунков.

Список литературы

состоит из 74 наименований.

Основные результаты, полученные в диссертационной работе:

1. Показано, что применение искусственных нейронных сетей позволяет повысить эффективность прогнозирования временных рядов, лишено ряда недостатков классических статистических методов анализа и прогнозирования временных рядов и может служить основой для автоматизированного прогнозирования (с минимальным участием человека).

2. Предложены и исследованы способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта.

3. Разработан генетический алгоритм комплексной оптимизации прогнозирующих нейросетей, позволяющий уменьшить время обучения.

4. Предложена методика распараллеливания генетического алгоритма оптимизации нейросетей на кластерных архитектурах.

5. Разработан метод уменьшения размерности входов прогнозирующей нейросети на основе сопряжения различных нейросетевых архитектур.

6. Разработана архитектура автоматизированной информационной системы прогнозирования временных рядов на основе нейросетевых технологий.

7. Разработан пакет прикладных программ (ППП) для автоматизированного прогнозирования временных рядов.

ЗАКЛЮЧЕНИЕ

.