Прогнозирование рисков в транспортных узлах с помощью нейронной сети | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 7 ноября, печатный экземпляр отправим 11 ноября.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №37 (327) сентябрь 2020 г.

Дата публикации: 10.09.2020

Статья просмотрена: 14 раз

Библиографическое описание:

Попова, М. Л. Прогнозирование рисков в транспортных узлах с помощью нейронной сети / М. Л. Попова, П. А. Дятчин. — Текст : непосредственный // Молодой ученый. — 2020. — № 37 (327). — С. 5-8. — URL: https://moluch.ru/archive/327/73522/ (дата обращения: 29.10.2020).



Транспортные узлы играют значительную роль в экономическом росте страны, поскольку в узлах концентрируется основной объем работы по сортировке грузов на станции, в порту или другом грузовом районе с мощным путевым развитием и современным погрузочно-разгрузочными и сортировочными устройствами. Также транспортные узлы занимают важное место в организации интермодальных перевозок и в совершенствовании взаимодействия различных видов транспорта.

В связи со значимостью процессов транспортного узла, его работа находится под влиянием внешних и внутренних факторов, обуславливающих возможность возникновения рисков. Под рисками понимают вероятность возникновения нежелательного события или неудачного исхода производственно-хозяйственной или какой-либо еще деятельности предприятия [1]. Для устойчивой работы терминала риски анализируются специалистами, которые в первую очередь дают количественную и качественную оценку существующим угрозам. Количественная оценка способна дать более точный прогноз, однако процесс оценивания зачастую является сложной задачей. Риски бывают внешними, которые подлежат страхованию, и внутренними, которые анализируются и оптимизируются [2].

Для детального анализа диапазона рисков в транспортном узле необходимо сначала определить факторы имеющихся рисков. Факторы риска — это действия или возникшие условия, провоцирующие или увеличивающие риск возникновения угроз деятельности предприятия. Так, например, при доставке сжиженного природного газа (СПГ) из завода, строящегося на компрессорной станции «Портовая» в Выборгском районе Ленинградской области, в отделенный от общей территории Российской Федерации Калининград танкерам придется пересечь морские границы таких стран, как Эстония и Латвия. Несмотря на устойчивые политические отношения, существует возможность изменения геополитики, что является фактором риска.

Подробно общие факторы риска в транспортных узлах и способы их количественного анализа представлены в таблице 1.

Стоит отметить, что анализ и поиск средств минимизации рисков необходимо проводить постоянно, это связано с многочисленными и обширными потоками поступающей информации, которые включают в себя погодные и климатические условия, дорожные условия, экономическую и политическую ситуации в регионе, стране и мире и т. п. В проекты по минимизации рисков могут входить различные превентивные меры, определенный спектр страховых услуг, однако наиболее перспективным способом является прогнозирование рисков, основанное на адаптивной схеме работы искусственной нейронной сети. Главной причиной развития данного метода служит высокая скорость обработки информации, решение задач при неизвестных закономерностях, отказоустойчивость (при неблагоприятных условиях их производительность падает незначительно) и т. д.

Нейронная сеть — это сеть нейронов, которые соединённые между собой по определенному принципу. Таким образом, нейрон — это главный часть нейронной сети.

Каждый нейрон обрабатывает определенную информацию, поступающую на него в виде входного импульса. Затем через функцию активации, которая определяется заранее, вычисляется суммарный импульс.

Существуют различные типы архитектуры нейронных сетей:

− Односторонние прямого распространения — информация передаётся только от входа к выходу, скрытый слой отсутствуют

− Многослойные прямого распространения — информация передаётся только от входа к выходу, присутствуют один и более скрытый слоя

− Рекуррентные сети — информация передаётся в обоих направлениях, присутствуют скрытые слои.

Последние являются наиболее эффективными.

Принципиальная схема нейронной сети

Рис. 1. Принципиальная схема нейронной сети

Главным элементом в создании нейронной сети является процесс её обучения.

Обучение представляет собой многократное изменение весов входных сигналов, с целью минимизации ошибки, получаемой на выходе.

Невзирая на внушительный список достоинств, модель, основанная на работе нейронных сете все же имеет ряд недостатков: продолжительные временные затраты на обучение нейронной сети, а значит большие сроки окупаемости вложений в установку данных модулей; нейросети нельзя назвать широкодоступными, поскольку их изучение продолжается и в настоящий момент. Также наиболее важным недостатком является этическая сторона использования данного метода. Так как большинство подходов проектирования искусственных нейронных сетей часто не приводят к однозначным решениям, роль человека остается незаменимой, однако штат сотрудников, работающих над данным аспектом, может быть резко сокращен, что приведет к массовой безработице. Это отразится не только на жизни отдельно взятых людей, но и на экономическом состоянии государства (потеря ВВП), а также возможно ухудшение криминогенной ситуации. Поэтому важно, чтобы описанная модель существовала, как система поддержки принятия решений хотя бы в начале ее работы для переквалификации и перенаправления кадров.

Таким образом, комплексная оценка рисков транспортного узла осуществляется в виде реализации в определенной последовательности ряда этапов, что делает стратегическое планирование деятельности объекта более объективным. Необходимо также отметить важность использования вспомогательных инструментов, таких как адаптивные нейросети, для прогнозирования и поиска решений для всевозможных нежелательных ситуаций, потому как это в значительной степени уменьшает влияние человеческого фактора на производственный процесс, просчитывая при этом весь диапазон рисков (техногенные, природные, социальные, экономические и политические). Это поможет снизить затраты на ликвидацию последствий возникновения непредвиденных ситуаций, а также затраты на заработную плату персонала.

Таблица 1

Дифференциация факторов риска

Перспектива, к которой относится фактор

Цель

Фактор, единица измерения

Способ расчета

Логистические процессы

Повысить эффективность использования ресурсов

Фондоотдача

где СУ — стоимость услуг (период Т);

СОС сред — стоимость основных средств на начало года среднегодовая

Своевременное выполнение погрузочно-разгрузочных работ

Погрузочные работы, выполненные в срок, %

где ПР срок — количество работ, выполненных за период без нарушения сроков их реализации; ПР общ — общее количество работ, выполненных за период Т

Повысить качество погрузочно-разгрузочных работ

Количество утерянного при погрузке груза, т

Гр утер = Гр план — Гр факт

где Гр план — общее количество груза, которое, согласно заявкам планировалось отгрузить за период Т;

Гр факт — общее количество грузов, фактически погруженных за период Т

Финансы

Сократить зависимость от внешних займов

Коэффициент автономии

где С с — средства собственные;

А с — активы совокупные

Повысить платежеспособность компании

Коэффициент абсолютной ликвидности

где ДС — денежные средства;

ФВ кр — финансовые вложения краткосрочные;

О текущ — текущие обязательства

Повысить доходность компании

Коэффициент рентабельности собственного капитала

где Пч– прибыль чистая за период Т

Клиенты

Повысить качество погрузочно-разгрузочных работ

Безотказность погрузки, %

где КПрЗ — количество заявок, принятых за период Т;

КПЗ– количество заявок поступивших за тот же период Т

Среднее время погрузки, ч

где Тп — время погрузки общее;

КВЗ общ — общее количество заявок выполненных за период Т

Сохранить клиентскую базу

Количество постоянных клиентов, ед.

Количество клиентов, обратившихся более двух раз

Привлечь новых клиентов

Количество новых клиентов, ед.

Количество клиентов, вновь обратившихся за период Т

Литература:

  1. О. В. Григорьев, И. О. Бондарева, Э. А. Латыпова «Стратегическое управление грузовым портом на основе оценки рисков» 2014 г.
  2. Г15 Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая ред. А. И. Галушкина. — М.: ИПРЖР, 2000.-416 с.: ил. (Нейрокомпьютеры и их применение).
  3. Кутыркин А. В. Распознавание оптических образов (символов) с помощью однослойного персептрона: Методические указания — М.: МИИТ, 2005,— 19 с.
Основные термины (генерируются автоматически): период Т, нейронная сеть, работа, транспортный узел, время погрузки, клиент, прямое распространение, риск.


Задать вопрос