Гибридный алгоритм прогнозирования и комплекс реализующих его программ

• Автор: Евсеева, Анна Владимировна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Иваново
• Количество страниц: 173 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА Е АНАЛИЗ СИСТЕМ ПРОГНОЗИРОВАНИЯ И ПОСТАНОВКА
ЗАДАЧИ ИССЛЕДОВАНИЯ
1 Л. Прогнозирование как предмет научного исследования
1.2. Современные методы построения прогноза
ЕЗ. Математическая постановка задачи прогнозирования и выбор
метода решения
Выводы по главе
ГЛАВА 2. РАЗРАБОТКА СИСТЕМЫ ПРОГНОЗИРОВАНИЯ
2Л. Разработка алгоритмов решения задачи прогнозирования с помощью базовых методов
2.2. Разработка гибридного алгоритма прогнозирования
Выводы по главе
ГЛАВА 3. РАСПАРАЛЛЕЛИВАНИЕ ВЫЧИСЛЕНИЙ НА СУПЕРКОМПЬЮТЕРЕ С ГРАФИЧЕСКИМИ УСКОРИТЕЛЯМИ
3.1. Увеличение скорости выполнения алгоритма за счет использования технологии параллельных вычислений СЕГО А
3.2. Алгоритм распараллеливания поиска оптимального решения при
помощи технологии СЕГО А
Выводы по главе
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ (НА ПРИМЕРЕ ПОКАЗАТЕЛЕЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ)
4.1. Проблема прогнозирования в области электроэнергетических услуг
4.2. Анализ динамики временного ряда электропотребления и планирование эксперимента
4.3. Результаты оценки точности системы прогнозирования электропотребления
4.4. Результаты сравнительного анализа с другими современными моделями прогнозирования электропотребления
4.5. Перспектива использования разработанного комплекса
прогнозирования
Выводы по главе
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ
ВВЕДЕНИЕ
Построение точного прогноза для некоторого наблюдаемого процесса или явления - задача, нахождение решения которой является заветной целью для многих исследователей в самых разных областях человеческой деятельности. Независимо от предметной области (медицина, рынок услуг или технологическое производство) получение оптимального с точки зрения задаваемого критерия прогноза всегда принесет желаемую выгоду. В одном случае она может быть выражена в сэкономленных денежных средствах компании, в другом - в спасенных человеческих жизнях.
При всем многообразии существующих методов прогнозирования каждый из них решает задачу определения состояния некоторого объекта в будущем по значениям некоторых показателей, известных в настоящем. Так, например, в метеорологии прогнозированию подвергаются атмосферные явления, в гидрологии - паводки, в техносфере - режимы работы механизмов, в экономике - финансовые показателей, в энергетике - потребление ресурсов.
Результат прогнозирования зависит от многих параметров, таких как объем необходимой статистической информации, ее качество и достоверность, точность анализа предмета исследования, корректность в постановке задачи прогнозирования, доступности необходимых вычислительных средств. А также одним из определяющих факторов является обоснованный выбор необходимого метода прогнозирования [5].
Основы теории построения прогноза с помощью различных подходов заложены в работах Н. Винера, Л. Фогеля, А. Айфичера, Г. Лэма, Ф. Уоссермана, А.Я. Городецкого, В.А. Головко, В.А. Бесекерского,
А.Б. Сергиенко и др.
Значительный вклад в решение вопросов прогнозирования на основе анализа временных рядов внесли Б.А. Староверов, Ф.Н. Ясинский, Б.И. Макоюпоев, А.И. Орлов, В.Г. Царегородцев.

непосредственных входов исходных данных, а связаны только с выходами входного слоя и с входом выходного слоя. Таким образом, скрытые слои дополнительно преобразуют информацию и добавляют нелинейности в модели.
Как было сказано выше, однослойные нейронные сети предназначены для решения задач классификации. Однако в действительности приходится иметь дело с решением проблем более высокого уровня. Здесь уже следует использовать многослойные нейронные сети. Они способны аппроксимировать любую функциональную зависимость. Но при этом возникает проблема определения нужного числа слоев, количества скрытых нейронов и необходимое для обучения сети время. Поэтому вопрос построения нейронных сетей для каждого конкретного случая приходится решать индивидуально.
Класс рекуррентных нейросетей гораздо обширнее, но при этом и сами сети сложнее по своему устройству. Сеть организована таким образом, что каждый нейрон получает входную информацию от других нейронов, возможно, и от самого себя, и от окружающей среды. Весовые коэффициенты в таких сетях рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. Поведение такого рода сетей описывается дифференциальными или разностными уравнениями, как правило, первого порядка. Этот тип сетей имеет важное значение, так как с их помощью можно моделировать нелинейные динамические системы.
Из сетей рекуррентного типа наиболее известными являются сети Хопфилда и сети Кохонена.
Сети Хопфилда позволяют обрабатывать неупорядоченные (рукописные буквы), упорядоченные во времени (временные ряды) или пространстве (графики) образцы. Структурная схема сети Хопфилда приведена на рис. 6. Она состоит из единственного слоя нейронов, число которых является одновременно числом входов и выходов сети. Каждый нейрон связан синапсами со всеми остальными нейронами, а также имеет один входной