Библиографическое описание:

Шайдуллин Р. Ф. Реализация краткосрочного нейросетевого моделирования спроса на автомобили в Российской Федерации (на примере марки Lada Granta) // Молодой ученый. — 2015. — №8. — С. 689-691.

Данная статья посвящена реализации краткосрочного нейросетевого моделирования спроса на автомобили в РФ (на примере LADA GRANTA). Рассмотрены основные понятия и этапы проведения, произведено исследование, сделан вывод.

Ключевые слова:нейронные сети; прогнозирование спроса; нейросетевое моделирование.

 

Прогноз — это научно обоснованное суждение о возможных состояниях объекта в будущем. [3] Осуществления достоверного прогноза, в частности в современной экономике достаточно сложный и несомненно полезный процесс. Для осуществление прогноза применяют разного рода научные методы. Не все эти методы подходят для конкретных прогнозов, поскольку в статистических данных могут содержаться сложные нелинейные зависимости. Как например, зависимости могут возникать из очень сложных процессов, которые являются результатом человеческих действий и противодействий (поведение общества). Но есть метод, который подходит практически для всех типов прогнозирования — «нейронные сети».

Искусственная нейронная сеть — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. [2]

Этапы решения задачи нейромоделирования:

1.                  Сбор данных для обучения;

2.                   Выбор топологии сети;

3.                  Экспериментальный подбор характеристик сети;

4.                  Экспериментальный подбор параметров обучения;

5.                   Обучение сети;

6.                   Проверка адекватности обучения.

После некоторого анализа рынка, были выбраны следующие факторы (входы), влияющие на спрос [5, с. 1087]:

-        Среднедушевые денежные доходы населения;

-        Цена автомобиля;

-        Инфляция;

-        Кредитная ставка;

-        Цена конкурирующего автомобиля;

-        Размер рынка.

Прогноз будет осуществляться на базе автомобиля Lada Granta. Его конкурентом была выбрана модель автомобиля Renault Logan (цена конкурирующего автомобиля), поскольку они оба находятся в одной (бюджетной) категории и очень схожи по характеристикам. Прогнозирование будет реализовываться на период в один месяц вперед.

Выборка (данные с 2012 по 2014 года) данных состоит из входных переменных — «влияющие факторы» на конец месяца и выхода — объем спроса на конец следующего месяца. После обучения, для прогноза, соответственно, необходимо будет ввести входную статистику (на конец месяца) и получить прогноз спроса на следующий месяц.

Таблица 1.1

Таблица данных

Входы

Выход

X1

X2

X3

X4

X5

X6

Y

15963,40

269000

0,5

17,7

378000

117,3

5618

20258,10

259000

0,37

17,8

375000

159,3

9291

20690,80

288000

0,58

18,1

371000

174,1

9798

22190,20

284000

0,31

18,5

444000

172

9860

21140,10

284000

0,52

18,6

393000

169,2

8597

23960,20

279000

0,89

18,4

382000

167,7

9273

………

………

………

………

………

………

………

26404,38

317000

1,28

16,20

394000

137

13405

35886,02

323000

2,62

16,60

425000

154

7737

 

Нейронная сеть будет проектироваться в программе STATISTICA 10. Пакет STATISTICA 10 обладает достаточно мощным набором всевозможных научных методов, в том числе «нейронные сети», он гибок в использовании и достаточно интуитивно понятен.

Проектирование «Neural Networks»:

-        После ввода всевозможной статистики необходимо выбрать тип нейронной сети — «Regression»:

-        Выбрать в «Continuous targets» выходную переменную и в «Continuous inputs» все входные переменные;

-        Далее с помощью все возможных методов обучения, типов сети, характеристик обучаем сети. Сеть строиться опытным путем. Затем нужно выбрать ту сеть, которая наиболее точно прогнозирует. Выбор выполняется в результате следующего анализа. Сопоставляются производительности сетей и выбирается та, у которой все показатели (характеризуется коэффициентом детерминации, чем ближе к 1, тем лучше) больше и примерно одинаковы. Строится гистограмма остатков и выбирают ту, у которой имеется нормальное распределение остатков. Строится диаграмма рассеивания целевых и выходных значений, выбирается та, у которой выходные значения располагаются наиболее близко к целевым значениям. Также можно посмотреть анализы чувствительности (глобальный и локальный), поверхность отклика.

В моем случае наилучшая сеть имеет следующие характеристики:

-                   MLP 6–3-1 Exponential Tanh (производительности по 0, 9)

Рис. 1.1. Гистограмма остатков

 

Рис. 1.2. Диаграмма рассеивания

 

Для этой архитектуры сети средняя ошибка прогноза составила 5,8 %, то есть точность прогноза составляет 94,2 %.

Научным выводом исследования является то, что нейронные сети являются достаточно мощным инструментом прогнозирования, они выявляют сложные зависимости между входными и выходными значениями. Доказательством этого служит данное исследование, ведь точность прогноза в 94,2 % достаточно высокий результат

 

Литература:

 

1.      Искусственная нейронная сеть [Электронный ресурс]. — Режим доступа: https://ru.wikipedia.org/wiki/ %C8 %F1 %EA %F3 %F1 %F1 %F2 %E2 %E5 %ED %ED %E0 %FF_ %ED %E5 %E9 %F0 %EE %ED %ED %E0 %FF_ %F1 %E5 %F2 %FC#.D0.9F.D1.80.D0.BE.D0.B2.D0.B5.D1.80.D0.BA.D0.B0_.D0.B0.D0.B4.D0.B5.D0.BA.D0.B2.D0.B0.D1.82.D0.BD.D0.BE.D1.81.D1.82.D0.B8_.D0.BE.D0.B1.D1.83.D1.87.D0.B5.D0.BD.D0.B8.D1.8F

2.      Ишмурадова И. И. Использование методов преобразования ряда распределений и их соотношение в расходах на питание в среде Borland Delphi. // В мире научных открытий. — 2014. — № 11.2 (59). — С. 1087–1094.

3.      Комашинский — Нейронные сети в системах управления и связи — 2003 г. — 94 c.

4.      Прогноз [Электронный ресурс]. — Режим доступа: https://ru.wikipedia.org/wiki/ %CF %F0 %EE %E3 %ED %EE %E7

5.      STATISTICA [Электронный ресурс]. — Режим доступа: http://www.statsoft.ru

Обсуждение

Социальные комментарии Cackle