Разработка математического и программного обеспечения среды моделирования нейронных сетей для решения задач прогнозирования

Такая область применения систем поддержки принятия решенийкак прогнозирование приобретает всё большую актуальность в самых различных направлениях человеческой деятельности, прежде всего в областях производства и финансов. На сегодняшний день для осуществления прогноза используется ряд методов, как-то методы мат. статистики, технического анализа (графический анализ, трендовые индикаторы) и т. д., и, наконец — искусственные нейронные сети (ИНС), имеющие в случае осуществления краткосрочного прогноза ряд преимуществ по сравнению с вышеперечисленными методами.

Вместе с тем, проблемы на пути широкого применения ИНС в прогнозировании связаны необходимостью в высокой оперативности прогноза нестабильных систем, характеризующихся частой сменой экзогенных факторов, когда прогнозируемая величина имеет нелинейный, быстро изменяющийся характер, что требует изменения структуры и переобучения ИНС. В результате' чего время нейропрогноза может достигать многих часов, что недопустимо при прогнозе быстроизменяющихся процессов, например прогноз котировок акций. И что, тем самым, нивелирует преимущества нейросетевого подхода к прогнозированию.

Существующее в настоящее время программное обеспечение (ПО), позволяющее осуществлять моделирование ИНС и решать, с помощью построенных моделей задачи прогнозирования можно разделить на два класса: универсальные среды моделирования ИНС (SNNS, Trajan, Matlab NN Toolbox, и др.) и среды, ориентированные на решение с помощью ИНС узкого спектра прикладных задач, и в частности задач прогнозирования, например, Neurodimension TradingSolutions.

Существующие же средства и подходы, к сокращению время моделирования ИНС, реализованы в основном только в универсальных средах, существующие же среды нейропрогноза неспособны решать эту задачу, что приводит с одной стороны к невозможности использовать универсальные средства, не обладающих, в должной степени, механизмами, учитывающими, особенности применения ИНС к задачам прогнозирования, а с другой — с нерешаемой в рамках ПО сред нейропрогноза задачей повышения оперативности прогноза.

Таким образом, представляются актуальными разработка и создание среды моделирования ИНС, ориентированной на решение задач прогнозирования, обладающей более высокими показателями оперативности прогноза по сравнению с аналогами и обеспечивающей полный цикл обработки и анализа данных. А также исследования и разработки в области нейросетевого моделирования, позволяющие повысить оперативность, т. е. сократить время, затрачиваемое на осуществление нейропрогноза.

В настоящее время, аппарат ИНС и методы его использования активно развивается и совершенствуется, так активные разработки и исследованиями в области создания систем моделирования ИНС, в том числе и для решения задач прогнозирования в: России связаны с деятельностью таких коллективов как BaseGroup Labs (Москва), Alpha System (Санкт-Петербург). Кроме того, наиболее часто цитируемыми и авторитетными российскими работами в последние годы, в области теории и практики применения ИНС считаются труды Ежова A.A., Галушкина А. И., Горбань А. Н., Шумского С. А., Шахнова В. А., вместе с тем появился ряд диссертационных работ, посвященных проблемам использования ИНС в различных предметных областях, и в частности, в области прогнозирования, — Родионова П. Е. «Методика извлечения знаний в задачах анализа рядов динамики с использованием нейронных сетей», а также Олешко Д. Н., Дубровина В. И., Алексеева A.B.

Целями настоящей диссертационной работы являются:

1. Разработка и создание среды моделирования ИНС, ориентированной на решение задач прогнозирования, обеспечивающего полный цикл обработки и анализа данных И' обладающего более высокими показателями оперативности прогноза по сравнению с аналогами.

2. Разработка и развитие методов осуществления прогноза с использованием аппарата ИНС, позволяющих обеспечить повышение точности и оперативности нейропрогноза.

3. Исследование разработанной среды и предложенных методов повышения оперативности прогноза при решении рядазадач прогнозирования на производстве и в области финансов.

Для достижения поставленных целей решаются следующие основные задачи диссертационного исследования:

1. Исследование и анализ сред моделирования ИНС, применяемых для решения задач прогнозирования и принятия решений, выявление их недостатков и ограничений при решении данного класса задач.

2. Исследование методов и алгоритмов осуществления прогноза с использованием технологии ИНС.

3- Выявление факторов, оказывающих наиболее существенное влияние на временные показатели процедур обработки и нейросетевого анализа данных выполняемых в целях осуществления прогноза.

4. Разработка методики осуществления нейропрогноза, основанной на использовании совокупности подходов обеспечивающих лучшие временные характеристики процесса нейросетевого моделирования.

5. Развитие методов использования критерия допустимого уровня ошибки при обучения ИНС типа многослойный персептрон, ориентированных на сокращение времени обучения ИНС при решении задач прогнозирования методом погружения.

6. Разработка среды моделирования ИНС, ориентированной на решение задач прогнозирования, реализующей разработанные методы и подходы, к осуществлению нейропрогноза, и имеющую лучшие показатели оперативности прогноза по сравнению с аналогами. 7. Внедрение и практическая апробация разработанной среды и реализованных в её рамках методов повышения оперативности прогноза при решении прикладных задач прогнозирования.

Методы исследования применяемые в диссертационной работе, основаны на использовании элементов искусственного интеллекта: нейросетевых технологий, и компьютерного моделирования.

Научная новизна работы обусловлена следующими факторами:

1. Разработана методика осуществления нейропрогноза, основанная на использовании совокупности методов оптимизации процесса построения нейросетевой модели, обеспечивающая повышение показателей оперативности прогноза.

2. Разработан критерий допустимого уровня ошибки, имеющий адаптируемый в процессе обучения ИНС характер, обеспечивающий сокращение времени обучения, с меньшими потерями в точности прогноза, при решении задач прогнозирования методом погружения.

3. Предложено использование сочетания процедур валидации и прореживания ИНС, как средства повышения оперативности нейропрогноза.

Разработанная автором среда моделирования искусственных нейронных сетей, для решения задач прогнозирования, обеспечивает более высокую оперативность прогноза по сравнению с аналогами, что позволяет расширить круг прикладных задач прогнозирования, имеющих высокие требования к оперативности, решаемых с помощью ИНС и существенно сократить временные затраты на осуществление нерйропрогноза.

Разработанная методика осуществления нейропрогноза, а также разработанный в её рамках адаптируемый критерий допустимого уровня ошибки при решении задач прогнозирования методом погружения позволяет специалистам, занимающимся нейропрогнозом, повысить оперативность и точность нейропрогноза.

Созданная автором среда нейропрогноза применяется в ООО «Торговая компания СТАНДАРТЪ» как средство поддержки принятия решений, в ООО «Сонковский льнозавод» для осуществления прогноза сельхоз производства: доли и качества выхода длинного льноволокна.

В обеих организациях внедрение принесло положительный результат, что подтверждено соответствующими документами.

Результаты, исследований, составляющих содержание диссертации докладывались на: VII всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях и образовании» (Рязань, РГРТА, 2002 г.), IX международной5 научно-технической конференции! (Москва, МЭИ, 2003 г.), международном форуме информатизации — 2002 «Информационные средства и технологии» (Москва, 2002 г.), Международном научно-техническом семинаре «Современные технологии в задачах управления, автоматики и обработки информации» (Алушта 2003 г.), XV международной конференции «Применение новых технологий в образовании» (Троицк 2004 г.).

По результатамдиссертационного исследования опубликовано 6 печатных работ. На разработанные продукты получено 3 свидетельства об официальной регистрации программ для ЭВМ в Российском агентстве по патентам и товарным знакам (РОСПАТЕНТ). В том числе на «Систему прогнозирования EIGHT» № 2 004 610 915 от 15.04.04.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 106 наименований (в том числе 29 ссылки на ресурсы Internet) — содержит 135 страниц машинописного текста, 48 рисунков, 21 таблиц и приложения на 13 страницах.

4.3. ВЫВОДЫ ПО ГЛАВЕ 4.

1. В результате диссертационных исследований была осуществлена практическая апробация возможностей, среды моделирования ИНС, ориентированной на решение задач прогнозирования, а также реализованных в её рамках методов осуществления нейропрогноза, предложенных в гл. 2.

2. Разработана нейросетевая модель сельскохозяйственного производства, что обеспечило: осуществление прогноза процента и качества выхода льноволокна, что позволило наладить процессы управления производством и реализацией произведённой продукции. нахождение благоприятных сроков и продолжительности растила льна, подобран наилучший для данной местности вариант подсева, предложено приемлемое время вылежки, а также определена зависимость качества волокна от влажности тресты;

3. Осуществлен прогноз котировок акций компании СИБНЕФТЬ на основе совместного нейросетевого * анализа временных рядов, содержащих предысторию котировок акций, а также предысторию влияющихнапрогнозируемую, величину факторов, что позволило достичь практически значимый результат достоверности прогноза на уровне 67−74%.

4. Произведена апробация предложенной в рамках диссертационной работы методики повышения оперативности нейропрогноза, а также разработанных в её рамках метода «огрубления» нейросетевой модели, основанного на использовании критерия допустимого уровня ошибки, в результате чего были получены следующие результаты: время затрачиваемое на нейропрогноз сокращалось, в среднем, боле чем на 60%- точность прогноза при использовании ОЬЕгг повышалась на 5% для прогноза котировок акций, и на 1 номер для задачи прогноза сельхоз производстванейропрогноз с использованием механизмов анализа корреляций для определения состава влияющих факторов и глубин погружения показал сравнимую точность определения глубины погружения, что и прогноз с использованием механизма поиска наилучшей структуры ИНС, основанного на использовании циклического переобучения ИНС с различной структурычто позволяет значительно сократить время нейропрогноза;

Использование метода прореживавния связей ИНС позволило исключить длительную процедуру поиска наилучшей структуры ИНС, при времени обучения сопоставимым с одним циклом обучения.

Проведенные исследования показали эффективность разработанной среды моделирования ИНС ориентированной на решение задач прогнозирования, что выразилось в значительном повышении оперативности, выполненного с её помощью прогноза по сравнению с типовыми подходами, реализованными в средах нейропрогноза.