Прогнозирование урожайности подсолнечника по Краснодарскому краю с применением системно-когнитивного анализа (решение задач прогнозирования и исследования предметной области)

Решение задач идентификации и прогнозирования

Идентификация — количественная оценка степени сходства конкретного объекта или его состояния с классом по признакам, которые относятся к тому же моменту времени, что и состояние.

Прогнозирование — количественная оценка степени сходства конкретного объекта или его состояния с классом по признакам, причем признаки относятся к более раннему времени, чем состояние (рисунок 1):

Рисунок 1. Экранная форма результата прогнозирования будущего сценария изменения урожайности подсолнечника В верхней части карточки прогнозирования приведены сценарии, осуществление которых вероятно, а в нижней — осуществление которых не ожидается.

Решение задачи исследования предметной области

Информационные портреты классов и факторов.

Информационный портрет класса — это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т. е. вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее — факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы по диапазону факторов, т. е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам.

Пример информационного портрета класса: «В следующем году ожидается высокая урожайность подсолнечника», приведен в таблице 12:

Таблица 1 — информационный портрет класса: Код: 1, Наименование: «B», Полный портрет. Фильтрация по кодам признаков: 1−172. Фильтрации по модулю информативности нет. 07−12−12 16:22:02 г. Краснодар

В информационном портрете прошлые сценарии приведены в порядке убывания степени, в которой они обусловливают будущий сценарий: «В следующем году ожидается высокая урожайность подсолнечника». Видно, что чем больше лет до этого была такая урожайность, тем выше вероятность того, что такой она будет и в будущем. Видно также, что на этот результат влияют, в основном, предыдущие четыре года, т.к. у всех сценариев, у которых совпадают эти четыре года, а остальные годы не совпадают, наблюдается одинаковое влияние на результат. Кроме того если в предшествующие четыре года была средняя урожайность, то это отрицательно сказывается на получении высокой урожайности в будущем году, причем чем больше лет со средней урожайностью предшествует нынешнему, тем меньше это отрицательное влияние, а когда таких лет паять, то это даже повышает ожидания высокой урожайности.

В таблице приведен информационный портрет класса: «В течение ближайших трех лет ожидается высокий урожай подсолнечника».

Таблица 2 — информационный портрет класса: Код: 11, Наименование: «BBB», Полный портрет. Фильтрация по кодам признаков: 1−172. Фильтрации по модулю информативности нет. 07−12−12 16:46:44 г. Краснодар

Видно, что этому результату способствует высокий урожай в предыдущие один и особенно два года, если им предшествовали годы со средней урожайностью, и в меньше степени средний урожай в последние 5 лет, но препятствует средний урожай за последние 1, два, три года. При этом видно, что урожайность подсолнечника 5 и более лет назад влияния на высокую урожайность в последующие 3 года уже практически не оказывает.

Информационный (семантический) портрет фактора — это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния — переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т. е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.

На рисунке 2 приведена Экранная форма семантического портрета признака: «Предшествующие 5 лет был средний урожай подсолнечника»:

Рисунок 2. Экранная форма семантического портрета признака: «Предшествующие 5 лет был средний урожай подсолнечника».

Из этой формы видно, что этот предшествующий сценарий в наибольше степени обусловливает высокий урожай в течение последующих 5 лет, во все меньшей степени — 4, 3, 2 лет и 1 года. Эти же данные приведены на рисунке 3:

Рисунок 3. Семантический портрет предыдущего сценария: «Предшествующие 5 лет был средний урожай подсолнечника».

Размеры секторов на круговой диаграмме соответствуют относительной силе влияния предшествующего сценария изменения урожайности подсолнечника: «Предшествующие 5 лет был средний урожай подсолнечника» на будущие сценарии изменения его урожайности.

Кластерный анализ и семантические классов и факторов.

Кластерно-конструктивный анализ — это математический метод анализа данных, обеспечивающий: выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры; выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами; выявление факторов, наиболее сходных по детерминируемым ими классам и объединение их в кластеры; выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами. экранный подсолнечник краснодарский Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т. е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т. е. являются противоположными по детерминирующим их факторам (антагонистическими).

Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.

Кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в наглядной графической форме семантической сети классов.

Кластерно-конструктивный анализ факторов позволяет сравнить факторы по сходству их влияния на переход объекта в будущие состояния и отобразить эту информацию в наглядной графической форме семантической сети факторов.

Рисунок 4. Экранная форма режима расчета матрицы сходства классов системы «Эйдос».

Рисунок 5. Экранная форма режима расчета матрицы сходства факторов системы «Эйдос».

В результате работы режимов кластерно-конструктивного анализа системы «Эйдос» формируются матрицы сходства классов и значений факторов (таблицы 3 и 4):

Таблица 3 — Матрица сходства будущих сценариев динамики урожайности подсолнечника (классов) в % (фрагмент).