Реализация краткосрочного нейросетевого моделирования спроса на автомобили в Российской Федерации (на примере марки Lada Granta)

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

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