Григорьева Д.Р.кандидат педагогических наук, доцент кафедры математических методов в экономике, Набережночелнинский институт (филиал) Казанского (Приволжского) федерального университета, Набережные Челны, Российская Федерация d.r.grigoreva@mail.ru
Файзуллина А.Г.старший преподаватель кафедры математических методов в экономике, Набережночелнинский институт (филиал) Казанского (Приволжского) федерального университета, Набережные Челны, Российская Федерация dlya_pisem_t@mail.ru
Предмет/тема. Рассматриваются проблемы применения системы STATISTICA для прогнозирования расхода электроэнергии на предприятии. Построенный прогноз позволяет более взвешенно подходить к формированию расходных статей. Цели/задачи. Главная цель работы - анализ статистических методов и прогнозирование объема расхода электроэнергии на предприятии методом исследования временных рядов с помощью пакета STATISTICA с использованием нейронных сетей. Рассматривается модель ARIMA, которая представляет собой класс стохастических процессов, используемых для анализа временных рядов, а также применяются возможности нейронных сетей в задаче прогнозирования. Были поставлены следующие задачи: составить прогноз электропотребления на основе метода ARIMA; составить прогноз электропотребления с использованием нейронных сетей; проверить качество модели за последний год; построить прогноз на более длительный срок. Методология. Рассмотрены теоретические основы анализа и прогнозирования, основные понятия временных рядов и их виды, теория нейронных сетей, использованы модель ARIMA, показатели анализа ряда динамики, проведен сравнительный анализ динамики объема расхода электроэнергии за 2009-2013 гг. Результаты. Составлен прогноз временного ряда методом ARIMA при помощи нейронных сетей. Обсуждение/применение. У нейронных сетей много важных свойств, но ключевое из них - это способность к обучению. Обучение нейронной сети в первую очередь заключается в изменении "силы" синаптических связей между нейронами. Классификация нейронных сетей по характеру обучения делит их на сети, использующие обучение с учителем и без него. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором. Далее веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемого уровня. Обучение без учителя является намного более правдоподобной моделью обучения с точки зрения биологических корней искусственных нейронных сетей. Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы. Выводы/значимость. Сделан вывод о том, что при прогнозировании расхода электроэнергии в условиях ограниченных ресурсов и постоянном росте цен наиболее эффективными оказываются методы, основанные на применении нейронных сетей. Этот метод позволяет обнаружить закономерности явлений, скрытые рычаги, толкающие исследуемые параметры в том или ином направлении. При внешней простоте такой анализ имеет ряд нюансов, игнорирование которых приводит к серьезным ошибкам при интерпретации результатов.
Ключевые слова: нейронные сети, прогнозирование, модель ARIMA, эконометрический метод, экономический анализ показателей
Список литературы:
Автоматизированные системы управления в энергосбережении (опыт разработки): монография / под ред. Л.С. Казаринова. Челябинск: ЮУрГУ, 2010. 228 с.
Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии). Томск: НТЛ, 2006. 128 с.
Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. М.: Финансы и статистика, 2001. 228 с.
Бир Э.C. Кибернетика и управление производством. М.: Наука, 1965. 392 с.
Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 2009. 604 c.
Боровиков В.П. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных. М.: Горячая линия-Телеком, 2008. 392 с.
Боровиков В.П. Популярное введение в программу STATISTICA. М.: КомпьютерПресс, 2008. 267 с.
Галушкин А.И. Нейронные сети. Основы теории. М.: Горячая линия-Телеком, 2010. 496 с.
Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001, 287 с.
Кендел М. Временные ряды. М.: Финансы и статистика, 1981. 199 с.
Круг П.Г. Нейронные сети и нейрокомпьютеры. М.: МЭИ, 2002. 176 с.
Кузнецов Ю.А., Перова В.И., Воробьева Е.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35. С. 25–36.
Прогнозирование с помощью нейронных сетей. URL: Link.
Россиев A.A. Моделирование данных при помощи кривых для восстановления пробелов в таблицах // Методы нейроинформатики. Красноярск: КГТУ, 1998. С. 6–22.
Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы. М.: Горячая линия-Телеком, 452 с.
Тархов Д.А. Нейронные сети. Модели и алгоритмы. М.: Радиотехника, 2005. 256 с.
Уразбахтин И.Г., Рыков Н.И. Алгоритм предобработки данных для целей прогнозирования на базе технологии нейронных сетей // Современные инструментальные системы, информационные технологии и инновации. Курск: КурскГТУ, 2003. С. 64–67.
Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия-Телеком, 2004, 143 с.
Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2006, 1104 с.
Халафян А.А. STATISTICA. Статистический анализ данных: учебник. М.: Бином-Пресс, 2007. 512 с.
Шабонин П.В. Методы научного прогнозирования и их практическое применение // ТOP-MANAGER. 2006. № 3. С. 15–19.
Yufei Yuan, Shaw M.J. Induction of fuzzy decision trees // Fuzzy Sets and Systems. 1995. № 69. P. 125–139.
Wang L.X., Mendel J.M. Generating Fuzzy Rules by Learning From Examples // IEEE Transactions on Systems, Man and Cybernetics. 1992. Vol. 22. № 6. P. 1414–1427.
