Разработка алгоритмов и процедур повышения точности факторного прогнозирования на основе эволюционной стратегии поиска прогнозирующего описания актуального процесса

• Автор: Горелов, Андрей Александрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Рязань
• Количество страниц: 180 с. : ил.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ

МЕТОДОВ АППРОКСИМАЦИИ И.

ПРОГ1ЮЗИРОВАНИЯ ПРОЦЕССОВ С ПРЕОБЛАДАЮЩЕЙ

ДЕТЕРМИИРОВАННОЙ СОСТАВЛЯЮЩЕЙ.

1.1. Определение предметной области.

1.1.1. Необходимость прогнозирования.

1.1.2. Существующие направления развития информационных технологий.

1.1.3. Выбор метода прогнозирования

1.1.4. Возможные направления развития методов прогнозирования

1.2. Перечень актуальных задач

ф. 1.2.1. Достигнутые результаты
1.2.2. Разработка внутренней структуры и механизма функционирования прогнозирующей системы
1.2.3. Подготовка данных для прогнозирования.
1.2.4. Обеспечение качества прогнозирования
1.3. Построение всех возможных регрессий
1.3.1. Предварительные замечания.
1.3.2. Порядок построения
1.3.3. Метод построения
1.3.4. Построение только наилучших регрессий.
1.3.5. Пошаговая регрессия.
1.3.6. Другие методы.
1.4. Выбор критерия.
1.4.1. Коэффициент детерминации 2.
1.4.2. Скорректированный коэффициент детерминации
1.4.3 .Срстатистика Мэлоуса.
1.4.4. критерий.
1.4.5. Другие меры.
1.5. Основные результаты
ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМОВ АВТОПОСТРОЕНИЯ АЛГОРИТМИЧЕСКИХ ОПИСАНИЙ ПРОЦЕССОВ НА ОСНОВЕ МЕТОДА ЭВРИСТИЧЕСКОЙ САМООРГАНИЗАЦИИ.
2.1. Общая схема построения алгоритмов, реализующих метод группового учета аргументов
2.1.1. Описание алгоритма
2.1.2. Критерии МГУ А
2.2. Разработка модифицированного метода группового учета аргументов на основе процедуры оптимизации частных полиномов МГУАоп
2.2.1. Проблемы восстановления функций классическим МГУ А и пути их
преодоления
2.2.2 Алгоритм автопостроения модели без использования селекции в последовательных рядах приближения.
2.3. Разработка метода группового учета аргументов на основе дифферальных частных приближений МГУАдп
2.3.1. Аппроксимация процессов решениями линейных дифференциальных уравнений
2.3.2. Результаты аппроксимации процессов решениями линейных дифференциальных уравнений.
2.4. Разработка метода группового учета аргументов на основе самоорганизующихся искусственных нейронных сетей МГУАнс
2.4.1. Математическая постановка задачи.
2.4.2. Постановка и возможные пути решения задачи обучения нейронных сетей
2.4.3. Нейронная сеть с обучением по методу обратного распространения ошибки.
2.2.4. Автоматическое построения наилучшей искусственной нейронной сети.
2.2.5. Метод группового учета аргументов на основе аппарата нейронных сетей
2.5. Основные результаты
ГЛАВА 3. РАЗРАБОТКА ПРОЦЕДУР АВТОМАТИЧЕСКОГО ВЫБОРА СТРУКУТУРЫ МОДЕЛИ, ОЦЕНКИ ЕЕ ПАРАМЕТРОВ И ОПРЕДЕЛЕНИЯ ОПТИМАЛЬНОГО ОБЪМА ВЫБОРКИ.
3.1. Предварительные замечания
3.2. Автоматизация построения модели для прогнозирования процессов с детерминированной составляющей методом экстраполяции тенденций
3.2.1. Классический способ выбора структуры и вычисления параметров прогнозирующей модели в методе экстраполяции тенденций.
3.2.2. Принципы организации программной системы автоматического синтеза структуры и оценки параметров прогнозирующих функций
3.2.3. Выбор адекватной стандартной функции по результатам анализа характеристического отношения.
3.2.4. Способ автоматического выбора структуры модели, оценки е прогнозирующей силы и определения наилучшей длины обучающей последовательности с помощью тестовой последовательности
3.3. Методика построения прогнозирующей регрессионной модели
3.3.1. Основные положения методики построения модели.
3.3.2. Устойчивость модели и способы е оценки.
3.3.3. Векторный показатель качества прогнозирующей модели.
3.3.4. Проверка гипотез относительно параметров модели в
3.3.5. Использование векторного критерия качества модели в процессе поиска лучшей модели
3.4. Основные результаты.
ГЛАВА 4. МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ ПРОИЗВОДСТВЕННОГО ТРАВМАТИЗМА В РОССИЙСКОЙ ФЕДЕРАЦИИ И РЕЗУЛЬТАТЫ ПРОГНОЗА
4.1. Подготовка данных для окончательного прогноза показателей травматизма до года.
4.1.1. Сценарные условия.
4.1.2. Исходные данные для решения задачи прогноза
4.2. Прогноз показателей производственного травматизма на основе выявления и экстраполяции тенденций
4.3. Характеристики финальных прогнозирующих моделей показателей травматизма с помощью факторного регрессионного анализа
4.4. Характеристики моделей для прогнозирования показателей травматизма с помощью нейросетевых технологий
4.6. Сравнительные результаты прогноза показателей травматизма
4.7. Окончательный прогноз показателей производственного травматизма щ до года
4.8. Графическое представление результатов моделирования и прогноза
4.9. Основные результаты.
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ВВЕДЕНИЕ
Актуальность


Основные результаты диссертационной работы опубликованы в 8 печатных работах, получены 3 свидетельства о регистрации программы для ЭВМ. Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литерату ры и трех приложений. Основной текст содержит 0 страниц, таблиц, рисунков. Список литературы состоит из 6 наименований. Приложения выполнены на 8 страницах. Во введении дана краткая характеристика решаемой проблемы, обоснована актуальность темы, сформулированы цели исследования, кратко излагается содержание диссертации. В первой главе определяются и рассматриваются вопросы, связанные с прогнозированием процессов с детерминированной составляющей. Основное внимание уделено проблемам, связанным с прогнозированием. Среди основополагающих необходимо отметить обеспечение необходимого качества прогноза и разработка внутренней структуры и механизма функционирования прогнозирующей системы. Рассмотрены основные критерии прогноза, приведен метод выбора критерия, по которому осуществляется прогноз. Во второй главе описана общая схема построения алгоритмов, реализующих метод группового учета аргументов, предложен модифицированный метод группового учета аргументов на основе процедуры оптимизации частных полиномов с использованием механизмов эвристической селекции в последовательных рядах приближения или без использования селекции. Описана аппроксимация процессов решениями линейных дифференциальных уравнений, разработан метода группового учета аргументов на основе дифферальных частных приближений. В заключении данной главы описан метода группового учета аргументов на основе самоорганизующихся искусственных нейронных сетей . В третьей главе предложена методика построения наилучшей прогнозирующей линейной модели, отличающаяся применением эволюционной стратегии поиска и векторного показателя качества для выбора группы предварительных описаний, включаемых в популяцию. Помимо использования векторного показателя качества модели разработанная методика отличается тем, что предполагает двухуровневую оценку устойчивости описания параметрическую и структурную. Для получения этих оценок осуществляется искусственное изменение объема выборки. При этом параметрическая устойчивость характеризуется тремя показателями разброса параметров модели, а структурная устойчивость изменением состава е регрессоров. Четвертая глава посвящена определению структуры и параметров прогнозирующих моделей для окончательного прогноза показателей травматизма, получены результаты окончательного прогноза, оценены характеристики полученных моделей, также выявлены тенденции поведения показателей травматизма РФ в будущем. Построены модели для показателей травматизма на основе выявления и экстраполяции тенденций. В заключении проводится обобщение основных результатов диссертационной работы. ГЛАВА 1. В любой сфере деятельности человек принимает решения. Всякое решение, в том числе и управленческое, по своей природе является прогнозным. Прогнозирование составляет фундаментальную основу предпринимательской и менеджерской деятельности в любой сфере при выполнении любой из присущих функций. В менеджменте считают, что прогнозирование это метод, в котором используется как накопленный в прошлом опыт, так и текущие допущения насчет будущего с целью его определения. Результатом является картина будущего, которую можно использовать как основу при планировании. Прогноз может быть эффективным инструментом при разработке решений, если он обладает следующими свойствами функциональной полнотой полнотой исследования вариантов решений точностью результата достоверностью результата. Поэтому прогноз и модель, на основе которой он разрабатывается, должны подвергаться верификации. При изучении роли прогнозирования в разработке управленческого решения в условиях переходной экономики возникает вопрос о том, изменяется ли степень влияния прогнозирования на результаты менеджмента при изменении степени относительной обеспеченности дела, проекта ресурсами, или эта роль остается постоянной вне зависимости от этого фактора бизнеса.