IX Международная студенческая научная конференция Студенческий научный форум - 2017

В данный момент времени рыночная среда развивается с высоким уровнем конкуренции. Именно в таких условиях и требуется быстро анализировать информацию. Ведь принятие решений служит одним из самых главных качеств, и именно это качество является главным конкурентным преимуществом. Если же компания примет не обоснованное, не эффективное решение, то данные действия повлекут за собой огромные проблемы для экономики компании. Стоимость данной ошибки очень высока. Неэффективность решений приводит к неэффективному использованию финансовых ресурсов компании, а также росту издержек и потере конкурентных позиций.

Целью данной работы является: повышение эффективности прогнозирования временных последовательностей с использованием регрессионного моделирования.

В данной работе был проведен сравнительный анализ продуктов аналогов:

1. Система прогнозирования продаж «Sales–Forecast».

Ядром системы являются современные методы прогнозирования, реализованные в пакете STATISTICA, которые позволяют строить прогнозы временных рядов как на основе их собственной истории, так и с привлечением дополнительных переменных и построением многомерных объясняющих моделей.

Специальные процедуры преобразования и чистки данных, импортированных из исходного хранилища, создают таблицу STATISTICA, содержащую все исследуемые временные ряды продаж.

Для работы системе Sales-Forecast требуются данные о продажах в виде временных рядов. Данные могут быть импортированы из любых форматов электронных таблиц (в том числе MS Excel, Quattro Pro, ASCII и др.), а также из таблиц баз данных, поддерживающих технологию OLE DB (например, MS SQL Server, Oracle и др.).

Интерфейс системы Sales-Forecast основан на диалоге с пользователем. Диалоговые окна содержат как минимальные настройки, необходимые для быстрого запуска алгоритма прогнозирования, так и расширенные настройки для опытных пользователей[2].

В системе используются следующие прогностические и аналитические методы:

• методы сезонной декомпозиции (Census 1, Census 2);

• спектральный анализ;

• модели АРПСС (ARIMA) и АРПСС с интервенциями;

• адаптивные методы прогнозирования (экспоненциальное сглаживание);

• нейронные сети.

1. Система прогнозирования состояния оборудования ProSmart.

ProSmart – это система мониторинга и прогнозирования состояния оборудования.

Система ProSmart контролирует и анализирует работоспособность машин каждые 5 секунд, автоматически уведомляя о изменяющихся условий работоспособности. Что позволяет оптимизировать и планировать ресурсы и действия по обслуживания до выхода оборудования из строя вместо устранения уже возникших и неожиданных аварий.

Технология Web клиент уменьшает затраты установки и обслуживания программного обеспечения и также обеспечивает многопользовательское управление.

Беспроводная архитектура уменьшает затраты и сложность внедрения. Обеспечивает возможность легко управлять подключенным оборудованием, выполняя автоматическую сортировку компьютеров по определяемому пользователем приоритету компьютера, и лишь затем сигнальным состоянием. Круги состояния на каждой странице позволяют быстро и легко идентифицировать состояние компьютера. Так же имеет возможность просмотра информации, как в виде графика с трендом, так и в виде перекрестных данных, что позволяет выявить взаимовлияние в полученных сигнала от оборудования и более эффективно выявить причину неполадок оборудования.

Доступны также усовершенствованные аналитические инструменты, такие как форма волны времени и спектральные данные с гармоникой и курсорами полосы стороны[2].

Прогнозом называется вероятностное научно-обоснованное суждение о перспективах, вероятных состояниях того или иного объекта или явления в возможном будущем.

Планирование же предполагает разработку последовательности действий или мероприятий по достижению необходимого результата, выделение последовательности и сроков реализации действий.

В задачах прогнозирования методы анализа временных рядов используются при наличии значительного количества значений рассматриваемого показателя из прошлого и при условии, что наметившаяся тенденция ясна и относительно стабильна[1].

В работе были рассмотрены методы регрессионного моделирования и проанализированы основные уравнения регрессии. Данные методы будут использованы в программной разработке и будет выполнен их сравнительный анализ[3].

На рисунке 1 показана детализация процесса.

Рисунок 1 — Декомпозиция диаграммы.

Входной информацией являются следующие значения: тип регрессионной модели (линейная регрессионная модель с несколькими вариантами типов трендов), входные данным регрессионной модели (входными данными являются параметры, значения которых необходимо спрогнозировать и параметры, на основании которых выполняется прогноз). Данная входная информация используется на всех этапах прогнозирования многомерных временных рядов. Выходной информацией в процессе прогнозирования многомерных временных рядов являются: выходные данные регрессионной модели и значения критериев адекватности модели.

Исполнителями процесса являются пользователь системы и информационная система.

Управление процессом осуществляется на основании математического описания регрессионной модели.

Прогнозирование многомерных временных рядов осуществляется в семь этапов:

1. «Выбор типа регрессионной модели и задание ее параметров» - пользователь системы выбирает одну из двух типов моделей: линейная регрессионная модель с распределенным лагом или линейная регрессионная модель с детерминированным лагом и задает параметры регрессионной модели;

2. «Нормирование переменных регрессии» – все переменные и соотношения между ними будут выражаться в стандартизованном масштабе. В этом масштабе за начало отсчета для каждой переменной принимается значение среднего, а за единицу измерения — величина стандартного отклонения;

3. «Стандартизация коэффициентов регрессии» – оценки стандартизованных коэффициентов множественной регрессии находят с помощью метода наименьших квадратов;

4. «Построение уравнения регрессии» – уравнение регрессии строится с помощью метода наименьших квадратов, применение которого требует выполнения ряда предпосылок;

5. «Разложение ряда на компоненты» – проводя разложение ряда на компоненты, как правило, подразумевается под трендом изменение среднего уровня переменной, то есть тренд среднего;

6. «Задание коэффициентов матрицы факторов» - задание матрицы факторов, использующейся для построения уравнения регрессии;

7. «Оценка адекватности выбора параметров регрессии» - для определения критерия адекватности модели выбрано два критерия: нахождение оптимального лага и критерий Спирмена. Первый критерий позволит определить величину наибольшего лага, а второй позволит определить наличие тренда.

По результатам анализа выявлено, что прогнозирование эффективнее при использовании интервальных временных рядов. Потому что они дают возможность более оптимально описывать реальные события, так как в реальных процессах обычно время изменяется не одним показателем, а еще и временным состоянием перехода. И именно этот тип рядов используем при программной реализации методов прогнозирования.

Было получено, что методы регрессионного прогнозирования с распределенным лагом и с детерминированным факторами являются наиболее универсальными для построения прогнозов. Поэтому данные методы будут использованы в программной разработке и будет выполнен их сравнительный анализ.

В данной работе рассмотрены системы прогнозирования, использующие регрессионные методы моделирования: система прогнозирования продаж «Sales–Forecast», система прогнозирования состояния оборудования ProSmart. На их примере было показано, что фактографические методы являются более точными, но уступают экспертным в условиях неопределенности. Учитывая эти условия цель разработки программного продукта заключается в создании более универсальной и эффективной системы прогнозирования.

Библиографический список

1. Жиляков Е.Г., Скубилин В.В. О некоторых моделях краткосрочного прогнозирования // Научные ведомства Белгородского государственного университета. Серия: Экономика. Информатика. 2013. №22-1 (165) С.144-147.

2. Миненко А.С., Волченко Е.В., Шишкин С.А. Метод построения взвешенных временных рядов для решения задач прогнозирования // ВЕЖПТ. 2012. №4 (56) С.4-10.

3. Л.А. Сафонова, Г.Н. Смоловик Методы и инструменты принятия решений// учебное пособие, Новосибирск 2012.

Код для цитирования: Скопировать